Training & Fine-tuning

Entrainement et fine-tuning de modeles, MLOps, recherche scientifique.

278 skills

# Skill Source Description Δ
1 aoti-debug pytorch/pytorch Diagnostiquer et corriger les erreurs courantes d'AOTInductor avec méthode. 102 323 7
2 pt2-bug-basher pytorch/pytorch Déboguer les erreurs de compilation PyTorch 2 via Dynamo, Inductor et AOTAutograd. 102 323 7
3 arize-annotation github/awesome-copilot Créer et gérer des configs d'annotation pour labelliser des spans IA via Arize. 37 703 5
4 arize-experiment github/awesome-copilot Gérer et exporter des expériences d'évaluation de modèles IA via Arize. 37 703 5
5 datanalysis-credit-risk github/awesome-copilot Nettoyer et sélectionner des variables pour modélisation de risque crédit. 37 703 5
6 cudaq-guide nvidia/skills Guider l'utilisateur dans CUDA-Q : installation, simulation GPU et accès QPU. 2 858 5
7 cuopt-install nvidia/skills Installer cuOpt via pip, conda ou Docker pour Python, C ou REST. 2 858 5
8 deepstream-import-vision-model nvidia/skills Importer et benchmarker des modèles de détection d'objets dans DeepStream via TensorRT. 2 858 5
9 nemo-automodel-distributed-training nvidia/skills Configurer l'entraînement distribué PyTorch avec stratégies FSDP2, MegatronFSDP ou DDP. 2 858 5
10 nemo-automodel-model-onboarding nvidia/skills Intégrer de nouvelles architectures de modèles IA dans NeMo AutoModel. 2 858 5
11 nemo-automodel-recipe-development nvidia/skills Configurer et exécuter des recettes de fine-tuning NeMo AutoModel via YAML et CLI. 2 858 5
12 cupynumeric-install nvidia/skills Installer et vérifier cuPyNumeric via conda ou pip sur GPU ou CPU. 2 858 5
13 nemotron-customize nvidia/skills Configurer et orchestrer des pipelines d'entraînement Nemotron via des configs YAML. 2 858 5
14 rag-eval nvidia/skills Évaluer la qualité d'un pipeline RAG NVIDIA via filesystem benchmarks et RAGAS. 2 858 5
15 nemo-mbridge-mlm-bridge-training nvidia/skills Comparer et valider les pertes entre Megatron-LM et Bridge sur GPU. 2 858 5
16 nemo-mbridge-multi-node-slurm nvidia/skills Convertir des commandes distribuées PyTorch en scripts Slurm multi-nœuds avec conteneurs Enroot. 2 858 5
17 nemo-mbridge-perf-activation-recompute nvidia/skills Réduire la mémoire GPU en recompilant les activations selon différentes granularités configurables. 2 858 5
18 nemo-mbridge-perf-cpu-offloading nvidia/skills Configurer le déchargement CPU des activations ou états optimiseur pour libérer la mémoire GPU. 2 858 5
19 nemo-mbridge-perf-cuda-graphs nvidia/skills Configurer et optimiser les CUDA graphs pour accélérer l'entraînement de modèles GPU. 2 858 5
20 nemo-mbridge-perf-expert-parallel-overlap nvidia/skills Masquer la latence de communication all-to-all dans les modèles MoE via le chevauchement calcul/dispatch. 2 858 5
21 nemo-mbridge-perf-hierarchical-context-parallel nvidia/skills Configurer le parallélisme de contexte hiérarchique imbriqué pour l'entraînement distribué. 2 858 5
22 nemo-mbridge-perf-megatron-fsdp nvidia/skills Configurer et activer Megatron FSDP pour l'entraînement distribué efficace de LLMs. 2 858 5
23 nemo-mbridge-perf-memory-tuning nvidia/skills Diagnostiquer et corriger les erreurs OOM GPU lors de l'entraînement de modèles. 2 858 5
24 nemo-mbridge-perf-moe-comm-overlap nvidia/skills Activer le chevauchement des communications MoE pour optimiser le débit en entraînement distribué. 2 858 5
25 nemo-mbridge-perf-moe-dispatcher-selection nvidia/skills Sélectionner le dispatcher MoE optimal selon le matériel, le degré EP et le modèle. 2 858 5
26 nemo-mbridge-perf-moe-long-context nvidia/skills Optimiser l'entraînement MoE longue séquence via parallélisme et recompute sélectif. 2 858 5
27 nemo-mbridge-perf-moe-optimization-workflow nvidia/skills Optimiser l'entraînement de modèles MoE en gérant mémoire, communication et calcul. 2 858 5
28 nemo-mbridge-perf-moe-vlm-training nvidia/skills Optimiser l'entraînement de VLMs MoE avec FSDP ou parallélisme 3D sur GPU. 2 858 5
29 nemo-mbridge-perf-sequence-packing nvidia/skills Configurer le packing de séquences pour le fine-tuning LLM et VLM avec Megatron. 2 858 5
30 nemo-mbridge-perf-tp-dp-comm-overlap nvidia/skills Configurer le chevauchement des communications TP/DP/PP pour optimiser l'entraînement distribué. 2 858 5
31 nemo-mbridge-recipe-recommender nvidia/skills Indexer les recettes d'entraînement et recommander la configuration optimale pour LLM. 2 858 5
32 nemo-mbridge-resiliency nvidia/skills Configurer la tolérance aux pannes, détection de stragglers et préemption pour l'entraînement distribué. 2 858 5
33 digital-health-clinical-asr-build nvidia/skills Construire un benchmark ASR clinique avec termes médicaux, audio synthétisé et manifest NeMo. 2 858 5
34 digital-health-clinical-asr-eval nvidia/skills Évaluer et router des transcriptions ASR cliniques selon quatre métriques de qualité. 2 858 5
35 digital-health-clinical-asr-finetune nvidia/skills Affiner un modèle ASR clinique avec NeMo SFT pour réduire les erreurs médicales. 2 858 5
36 digital-health-clinical-asr-setup nvidia/skills Configurer et valider l'accès à la pile ASR clinique hébergée par NVIDIA. 2 858 5
37 earth2studio-deterministic-forecast nvidia/skills Générer des scripts de prévision météo déterministe avec Earth2Studio. 2 858 5
38 earth2studio-discover nvidia/skills Identifier les modèles, sources de données et exemples Earth2Studio adaptés à une tâche météo. 2 858 5
39 earth2studio-install nvidia/skills Guider l'installation correcte d'Earth2Studio et de ses dépendances optionnelles. 2 858 5
40 physicsnemo-discover nvidia/skills Naviguer dans le dépôt PhysicsNeMo pour trouver modèles, exemples et chemins vérifiés. 2 858 5
41 cupynumeric-migration-readiness nvidia/skills Évaluer la compatibilité du code NumPy avec cuPyNumeric avant toute migration GPU. 2 858 5
42 nemo-evaluator-plugin nvidia/skills Exécuter et soumettre des évaluations de métriques via le plugin NeMo Evaluator. 2 858 5
43 nv-generate-ct-rflow nvidia/skills Générer des volumes CT synthétiques et masques associés via un wrapper NVIDIA dédié. 2 858 5
44 nv-generate-mr-brain-finetune nvidia/skills Affiner un modèle de diffusion UNet IRM cérébral à partir de volumes NIfTI personnalisés. 2 858 5
45 nv-generate-mr-brain nvidia/skills Générer des volumes IRM cérébraux synthétiques via un wrapper NVIDIA dédié. 2 858 5
46 nv-generate-mr nvidia/skills Générer des volumes IRM corporels synthétiques via le pipeline NV-Generate-CTMR. 2 858 5
47 nv-generate-vae-finetune nvidia/skills Affiner et valider un VAE médical MAISI sur des volumes CT/IRM NIfTI. 2 858 5
48 nv-reason-cxr nvidia/skills Interpréter des radiographies thoraciques via le modèle NVIDIA NV-Reason-CXR-3B. 2 858 5
49 nv-segment-ct-finetune nvidia/skills Affiner le modèle VISTA3D sur des labels CT NIfTI via le bundle MONAI. 2 858 5
50 nv-segment-ct nvidia/skills Segmenter des volumes CT NIfTI avec VISTA3D pour produire des cartes de labels anatomiques. 2 858 5

À propos de cette sélection

Quand un modèle de base commence à produire des réponses trop génériques pour rester crédibles en production, le travail sérieux commence. Cette section s'adresse aux ingénieurs ML et aux équipes qui adaptent, évaluent et débogent des modèles en conditions réelles : affiner un LLM sur un corpus métier avec Hugging Face, tracer des expériences d'entraînement bout en bout, ou remonter un bug de compilation dans le runtime PyTorch avant qu'il bloque un pipeline entier. Les skills training & fine-tuning couvrent un spectre plus large que le seul fine-tuning supervisé. On y trouve des outils d'annotation, de benchmarking, de kernels custom côté NVIDIA, et quelques skills orientés recherche reproductible. L'outillage reste majoritairement Python, avec une densité forte autour des frameworks majeurs. Certains cas avancés demandent encore de composer plusieurs skills ensemble, mais la base est solide.