Training & Fine-tuning

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

303 skills

# Skill Source Description Maj
1 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. 2 859 21h
2 nemo-mbridge-perf-moe-comm-overlap nvidia/skills Activer le chevauchement des communications MoE pour optimiser le débit en entraînement distribué. 2 859 21h
3 nemo-mbridge-perf-moe-hardware-configs nvidia/skills Configurer les hyperparamètres matériels optimaux pour entraîner des modèles MoE sur GPU. 2 859 21h
4 nemo-mbridge-perf-moe-optimization-workflow nvidia/skills Optimiser l'entraînement de modèles MoE en gérant mémoire, communication et calcul. 2 859 21h
5 nemo-mbridge-perf-sequence-packing nvidia/skills Configurer le packing de séquences pour le fine-tuning LLM et VLM avec Megatron. 2 859 21h
6 nemo-mbridge-recipe-recommender nvidia/skills Indexer les recettes d'entraînement et recommander la configuration optimale pour LLM. 2 859 21h
7 cuopt-numerical-optimization-formulation nvidia/skills Formuler des problèmes d'optimisation numérique LP, MILP et QP avec rigueur. 2 859 4j
8 cuopt-numerical-optimization-api nvidia/skills Modéliser et résoudre des problèmes LP, MILP et QP via l'API GPU NVIDIA cuOpt. 2 859 4j
9 finetuning microsoft/azure-skills Affiner des modèles sur Azure AI Foundry via SFT, DPO ou RFT de bout en bout. 1 369 4j
10 finetuning microsoft/azure-skills Affiner des modèles sur Azure AI Foundry via SFT, DPO ou RFT de bout en bout. 1 369 4j
11 nemo-evaluator-plugin nvidia/skills Exécuter et soumettre des évaluations de métriques via le plugin NeMo Evaluator. 2 859 5j
12 physicsnemo-shard-tensor nvidia/skills Distribuer les tenseurs spatiaux sur plusieurs GPU avec sharding inégal pour la physique. 2 859 5j
13 eval-engineering langchain-ai/langchain-skills Concevoir et construire des évaluations itératives pour agents IA avec Harbor. 1 127 5j
14 trl-training huggingface/skills Affiner et aligner des LLMs via SFT, DPO, GRPO, RLOO ou reward modeling. 10 913 8j
15 nemo-automodel-distributed-training nvidia/skills Configurer l'entraînement distribué PyTorch avec stratégies FSDP2, MegatronFSDP ou DDP. 2 859 10j
16 nemo-automodel-model-onboarding nvidia/skills Intégrer de nouvelles architectures de modèles IA dans NeMo AutoModel. 2 859 10j
17 cupynumeric-migration-readiness nvidia/skills Évaluer la compatibilité du code NumPy avec cuPyNumeric avant toute migration GPU. 2 859 11j
18 portfolio-optimization nvidia/skills Optimiser des portefeuilles financiers avec Mean-CVaR et Mean-Variance via GPU cuOpt. 2 859 11j
19 cupynumeric-install nvidia/skills Installer et vérifier cuPyNumeric via conda ou pip sur GPU ou CPU. 2 859 11j
20 langsmith-online-eval-engineering langchain-ai/langchain-skills Construire et tester itérativement des évaluateurs en ligne pour traces LangSmith. 1 127 13j
21 paidf-anomalygen nvidia/skills Générer et évaluer des images d'anomalies synthétiques via un pipeline multi-phases automatisé. 2 859 15j
22 tilegym-improve-cutile-kernel-perf nvidia/skills Optimiser itérativement les performances d'un kernel cuTile via profilage et tuning systématique. 2 859 15j
23 i4h-catheter-navigation-setup nvidia/skills Configurer et valider l'environnement de navigation par cathéter sur GPU/CPU. 2 859 21j
24 i4h-workflow-dataset-annotate nvidia/skills Annoter automatiquement des épisodes HDF5 via un modèle de vision (VLM). 2 859 21j
25 i4h-workflow-finetune nvidia/skills Affiner une politique GR00T ou PI0 sur un dataset LeRobot existant. 2 859 21j
26 i4h-workflow-validate nvidia/skills Valider et enregistrer des épisodes de politique IA dans un environnement simulé. 2 859 21j
27 nemo-mbridge-mlm-bridge-training nvidia/skills Comparer et valider les pertes entre Megatron-LM et Bridge sur GPU. 2 859 26j
28 huggingface-lora-space-builder huggingface/skills Créer et publier un espace Gradio sur Hugging Face pour inférence avec un LoRA. 10 913 26j
29 vss-deploy-video-embedding nvidia/skills Déployer et opérer le microservice d'embedding vidéo VSS avec le modèle Cosmos-Embed1. 2 859 27j
30 vss-deploy-video-embedding nvidia-ai-blueprints/video-search-and-summarization Déployer et configurer le microservice d'embedding vidéo VSS avec GPU NVIDIA. 1 792 27j
31 spark-environment-setup wshobson/agents Configurer et déboguer un environnement ML sur DGX Spark avec CUDA 13. 38 723 28j
32 spark-memory-thermal-ops wshobson/agents Gérer la mémoire unifiée et les thermiques du DGX Spark GB10 efficacement. 38 723 28j
33 spark-training-gotchas wshobson/agents Diagnostiquer et corriger les dix pannes récurrentes d'entraînement sur DGX Spark GB10. 38 723 28j
34 checkpoint-promotion wshobson/agents Évaluer et promouvoir un checkpoint via un processus de validation en quatre étapes. 38 723 28j
35 dataset-curation wshobson/agents Préparer, formater et valider un dataset JSONL pour fine-tuner un LLM. 38 723 28j
36 eval-harness-first wshobson/agents Construire un harnais d'évaluation rigoureux avant tout fine-tuning de modèle. 38 723 28j
37 finetuning-method-selection wshobson/agents Choisir la bonne méthode de fine-tuning ou rediriger vers RAG/prompt engineering. 38 723 28j
38 grpo-rlvr-training wshobson/agents Configurer et lancer un entraînement GRPO/RLVR avec récompenses vérifiables. 38 723 28j
39 lora-qlora-recipes wshobson/agents Configurer des adaptateurs LoRA et QLoRA optimaux pour le fine-tuning SFT supervisé. 38 723 28j
40 preference-optimization wshobson/agents Sélectionner et configurer la méthode optimale d'alignement par préférences (DPO, ORPO, KTO, SimPO). 38 723 28j
41 quantized-export wshobson/agents Exporter un checkpoint promu au bon format quantifié selon la cible matérielle. 38 723 28j
42 trace-to-training-data wshobson/agents Convertir des traces d'évaluation notées en données d'entraînement SFT ou DPO prêtes à l'emploi. 38 723 28j
43 vision-sft wshobson/agents Configurer et affiner un modèle vision-langage avec LoRA/QLoRA de façon optimale. 38 723 28j
44 deepstream-import-vision-model nvidia/skills Importer et benchmarker des modèles de détection d'objets dans DeepStream via TensorRT. 2 859 28j
45 amc-run-sample-calibration nvidia/skills Tester et valider une installation AMC avec le dataset d'échantillon fourni. 2 859 28j
46 nemo-mbridge-perf-cuda-graphs nvidia/skills Configurer et optimiser les CUDA graphs pour accélérer l'entraînement de modèles GPU. 2 859 1mo
47 nv-reason-cxr nvidia/skills Interpréter des radiographies thoraciques via le modèle NVIDIA NV-Reason-CXR-3B. 2 859 1mo
48 nv-segment-ct-finetune nvidia/skills Affiner le modèle VISTA3D sur des labels CT NIfTI via le bundle MONAI. 2 859 1mo
49 nv-segment-ct nvidia/skills Segmenter des volumes CT NIfTI avec VISTA3D pour produire des cartes de labels anatomiques. 2 859 1mo
50 nv-segment-ctmr nvidia/skills Segmenter des volumes CT/IRM NIfTI et produire des cartes de labels annotées. 2 859 1mo

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.