Создать дообучение модели генерации текста в Foundation Models

Статья создана

Yandex Cloud

Улучшена

Andrey H.

Обновлена 21 февраля 2025 г.

Перед началом работы
Загрузите датасет
Запустите дообучение
- Обращение к дообученной модели

Дообучение моделей по методу LoRA находится на стадии Preview.

Этот пример показывает, как дообучить модель YandexGPT Lite по методу LoRA в Foundation Models. Ссылки на другие примеры доступны в разделе См. также.

Перед началом работы

Чтобы воспользоваться примерами:

SDK

cURL

Создайте сервисный аккаунт и назначьте ему роль ai.editor.
Получите и сохраните API-ключ сервисного аккаунта.

В примерах используется аутентификация с помощью API-ключа. Yandex Cloud ML SDK также поддерживает аутентификацию с помощью IAM-токена и OAuth-токена. Подробнее см. в разделе Аутентификация в Yandex Cloud ML SDK.
С помощью менеджера пакетов pip установите библиотеку ML SDK:
```
pip install yandex-cloud-ml-sdk
```

Получите данные для аутентификации в API, как описано в разделе Аутентификация в API Yandex Foundation Models.
Установите gRPCurl.
Чтобы воспользоваться примерами, установите cURL.
(Опционально) Установите утилиту jq для потоковой обработки JSON-файлов.
Получите IAM-токен для аутентификации в API.

Примечание

У IAM-токена короткое время жизни — не более 12 часов.

Подготовьте данные для дообучения модели в формате JSON Lines в кодировке UTF-8. Если вы хотите разбить данные на два датасета для обучения и валидации, повторите следующие шаги для каждого датасета. Используйте полученные в результате загрузки идентификаторы при запуске дообучения.

В этом примере дообучение запускается с использованием только обучающего датасета.

Создайте датасет для дообучения:

SDK

cURL

Создайте файл dataset-create.py и добавьте в него код:

#!/usr/bin/env python3

from __future__ import annotations
import asyncio
import pathlib
from yandex_cloud_ml_sdk import AsyncYCloudML
from yandex_cloud_ml_sdk.auth import YandexCloudCLIAuth


def local_path(path: str) -> pathlib.Path:
    return pathlib.Path(__file__).parent / path


async def main():

    sdk = AsyncYCloudML(
        folder_id="<идентификатор_каталога>",
        auth="<API-ключ>",
    )

    # Создаем датасет для дообучения базовой модели YandexGPT Lite
    dataset_draft = sdk.datasets.draft_from_path(
        task_type="TextToTextGeneration",
        path="<путь_к_файлу>",
        upload_format="jsonlines",
        name="YandexGPT Lite tuning",
    )

    # Дождемся окончания загрузки данных и создания датасета
    operation = await dataset_draft.upload_deferred()
    tuning_dataset = await operation
    print(f"new {tuning_dataset=}")

    # Так можно посмотреть список всех загруженных датасетов
    for dataset in sdk.datasets.list():
        print(f"List of existing datasets {dataset=}")


if __name__ == "__main__":
    asyncio.run(main())

Где:

<идентификатор_каталога> — идентификатор каталога, в котором создан сервисный аккаунт.
<API-ключ> — API-ключ сервисного аккаунта, полученный ранее и необходимый для аутентификации в API.

В примерах используется аутентификация с помощью API-ключа. Yandex Cloud ML SDK также поддерживает аутентификацию с помощью IAM-токена и OAuth-токена. Подробнее см. в разделе Аутентификация в Yandex Cloud ML SDK.
<путь_к_файлу> — путь к файлу, содержащему заранее подготовленные примеры для дообучения модели.

Выполните созданный файл:

python3 dataset-create.py

Результат:

new dataset=AsyncDataset(id='fdsfehj6grsu********', folder_id='b1gt6g8ht345********', name='YandexGPT Lite tuning', description=None, metadata=None, created_by='ajegtlf2q28a********', created_at=datetime.datetime(2025, 1, 20, 11, 38, 19), updated_at=datetime.datetime(2025, 1, 20, 11, 39, 4), labels=None, status=<DatasetStatus.READY: 3>, task_type='TextToTextGeneration', rows=0, size_bytes=3514)

Сохраните идентификатор созданного датасета (значение поля id) — он понадобится при дообучении модели.

Создайте датасет:

grpcurl \
  -H "Authorization: Bearer <IAM-токен>" \
  -d @ \
  llm.api.cloud.yandex.net:443 yandex.cloud.ai.dataset.v1.DatasetService/Create <<EOM
  {
    "folder_id": "<идентификатор_каталога>", 
    "name": "My awesome dataset", 
    "task_type": "TextToTextGeneration", 
    "upload_format": "jsonlines"
  }
EOM

Где:

<IAM-токен> — IAM-токен сервисного аккаунта, полученный перед началом работы.
<идентификатор_каталога> — идентификатор каталога, в котором создается датасет.

Результат:

{
  "datasetId": "fdso08c1u1cq********",
  "dataset": {
    "datasetId": "fdso08c1u1cq********",
    "folderId": "b1gt6g8ht345********",
    "name": "My awesome dataset",
    "status": "DRAFT",
    "taskType": "TextToTextGeneration",
    "createdAt": "2025-01-20T10:36:50Z",
    "updatedAt": "2025-01-20T10:36:50Z",
    "createdById": "ajeg2b2et02f********",
    "createdBy": "ajeg2b2et02f********"
  }
}

Сохраните идентификатор созданного датасета (значение поля datasetId) — он понадобится при загрузке данных в датасет.

Получите ссылку, по которой вы сможете загрузить данные в датасет:
```
grpcurl \
  -H "Authorization: Bearer <IAM-токен>" \
  -d '{"dataset_id": "<идентификатор_датасета>", "size_bytes": <размер_датасета>}' \
  llm.api.cloud.yandex.net:443 yandex.cloud.ai.dataset.v1.DatasetService/GetUploadDraftUrl | jq
```
Где:
- <IAM-токен> — IAM-токен сервисного аккаунта, полученный перед началом работы.
- <идентификатор_датасета> — идентификатор датасета, сохраненный на предыдущем шаге.
- <размер_датасета> — размер в байтах файла с данными для дообучения. В терминале получить размер файла можно с помощью команды ls -l <путь_к_файлу>.
Результат:
```
{
  "datasetId": "fdso08c1u1cq********",
  "uploadUrl": "https://storage.yandexcloud.net/ai-fomo-drafts-prod/b1gt6g8ht345********/fdso08c1u1cq********?X-Amz-Algorithm=AWS4-HMAC-SHA256&X-Amz-Date=20250120T105352Z&X-Amz-SignedHeaders=content-length%3Bhost&X-Amz-Expires=86400&X-Amz-Credential=YCAJE_WuJJ9D1r6huCoc8I3yO%2F20250120%2Fus-east-1%2Fs3%2Faws4_request&X-Amz-Signature=611d7951994ae939acf4d32cc0c154c738d02adb2a04707a704f34ca********"
}
```
Поле uploadUrl ответа содержит ссылку, по которой вы сможете загрузить ваши данные в датасет.

Совет

Если вы не использовали утилиту jq, в полученной ссылке замените все последовательности символов \u0026 на &, чтобы использовать ее для загрузки датасета.
Загрузите данные, указав полученную на предыдущем шаге ссылку и путь к файлу с данными для дообучения:
```
curl \
  --request PUT \
  --upload-file <путь_к_файлу> \
  "<ссылка>"
```
После окончания загрузки данных запустите валидацию датасета:
```
grpcurl \
  -H "Authorization: Bearer <IAM-токен>" \
  -d '{"dataset_id": "<идентификатор_датасета>"}' \
  llm.api.cloud.yandex.net:443 yandex.cloud.ai.dataset.v1.DatasetService/Validate
```
Где:
- <IAM-токен> — IAM-токен сервисного аккаунта, полученный перед началом работы.
- <идентификатор_датасета> — идентификатор датасета, сохраненный ранее.
Результат:
```
{
  "id": "fdso01v2jdd4********",
  "createdAt": "2025-01-20T11:03:48Z",
  "modifiedAt": "2025-01-20T11:03:48Z"
}
```
Сохраните идентификатор операции валидации (поле id) — он понадобится на следующем шаге.
Валидация датасета может занять некоторое время. Чтобы узнать статус операции и, при наличии, получить отчет о возникших ошибках, отправьте запрос:
```
grpcurl \
  -H "Authorization: Bearer <IAM-токен>" \
  -d '{"operation_id": "<идентификатор_операции_валидации>"}' \
  llm.api.cloud.yandex.net:443 yandex.cloud.operation.OperationService/Get
```
Где:
- <IAM-токен> — IAM-токен сервисного аккаунта, полученный перед началом работы.
- <идентификатор_операции_валидации> — идентификатор операции валидации, сохраненный на предыдущем шаге.
Результат:
```
{
  "id": "fdso01v2jdd4********",
  "createdAt": "2025-01-20T11:03:48Z",
  "modifiedAt": "2025-01-20T11:04:46Z",
  "done": true,
  "response": {
    "@type": "type.googleapis.com/yandex.cloud.ai.dataset.v1.ValidateDatasetResponse",
    "datasetId": "fdso08c1u1cq********",
    "isValid": true
  }
}
```
Значение поля isValid — true. Значит, валидация загруженного датасета прошла успешно.

Запустите дообучение

SDK

cURL

Создайте файл start-tuning.py и добавьте в него код:

#!/usr/bin/env python3

from __future__ import annotations
import pathlib
import uuid
from yandex_cloud_ml_sdk import YCloudML


def local_path(path: str) -> pathlib.Path:
    return pathlib.Path(__file__).parent / path


def main():
    sdk = YCloudML(
        folder_id="<идентификатор_каталога>",
        auth="<API-ключ>",
    )

    # Посмотрим список датасетов, прошедших валидацию
    for dataset in sdk.datasets.list(status="READY", name_pattern="completions"):
        print(f"List of existing datasets {dataset=}")

    # Зададим датасет для обучения и базовую модель
    train_dataset = sdk.datasets.get("<идентификатор_датасета>")
    base_model = sdk.models.completions("yandexgpt-lite")

    # Запускаем дообучение
    # Дообучение может длиться до нескольких часов
    tuned_model = base_model.tune_deferred(train_dataset, 
        name=str(uuid.uuid4())
        n_samples=10000
    )
    print(f"Resulting {tuned_model}")

    # Можно обратиться к дообученной модели с помощью метода run()
    completion_result = tuned_model.run("Привет! Как тебя зовут?")
    print(f"{completion_result=}")

    # А можно сохранить URI дообученной модели
    # И вызывать дообученную модель по URI
    tuned_uri = tuned_model.uri
    model = sdk.models.completions(tuned_uri)
    completion_result = model.run("Расскажи, откуда ты?")
    print(f"{completion_result=}")


if __name__ == "__main__":
    main()

Где:

<идентификатор_каталога> — идентификатор каталога, в котором создан сервисный аккаунт.
<API-ключ> — API-ключ сервисного аккаунта, полученный ранее и необходимый для аутентификации в API.

В примерах используется аутентификация с помощью API-ключа. Yandex Cloud ML SDK также поддерживает аутентификацию с помощью IAM-токена и OAuth-токена. Подробнее см. в разделе Аутентификация в Yandex Cloud ML SDK.
<идентификатор_датасета> — сохраненный на предыдущем шаге идентификатор созданного датасета.

Выполните созданный файл:

python3 start-tuning.py

Результат:

Resulting GPTModelResult(alternatives=(Alternative(role='assistant', text='Меня зовут Женя. Полностью - Евгений Нейроныч.', status=<AlternativeStatus.FINAL: 3>),), usage=Usage(input_text_tokens=14, completion_tokens=11, total_tokens=25), model_version='23.10.2024') 
completion_result=GPTModelResult(alternatives=(Alternative(role='assistant', text='Из Перми', status=<AlternativeStatus.FINAL: 3>),), usage=Usage(input_text_tokens=13, completion_tokens=2, total_tokens=15), model_version='23.10.2024')

Дообучение модели может занять до 1 суток в зависимости от объема датасета и загрузки системы.

Используйте полученный URI дообученной модели (значение поля uri) при обращении к ней.

Метрики дообучения доступны в формате TensoBoard. Загруженный файл можно открыть, например, в проекте Yandex DataSphere:
```
metrics_url = new_model.get_metrics_url()
download_tensorboard(metrics_url)
```

Запустите дообучение:

grpcurl \
  -H "Authorization: Bearer <IAM-токен>" \
  -d @ \
  llm.api.cloud.yandex.net:443 yandex.cloud.ai.tuning.v1.TuningService/Tune <<EOM
  {
    "base_model_uri": "gpt://<идентификатор_каталога>/yandexgpt-lite/latest",
    "train_datasets": [{"dataset_id": "<идентификатор_датасета>", "weight": 1.0}],
    "name": "my first model",
    "text_to_text_completion": {}
  } 
EOM

Где:

<IAM-токен> — IAM-токен сервисного аккаунта, полученный перед началом работы.
<идентификатор_каталога> — идентификатор каталога, в котором дообучается модель.
<идентификатор_датасета> — идентификатор датасета, сохраненный ранее.

Результат:

{
  "id": "ftnlljf53kil********",
  "createdAt": "2025-01-20T11:17:33Z",
  "modifiedAt": "2025-01-20T11:17:33Z",
  "metadata": {
    "@type": "type.googleapis.com/yandex.cloud.ai.tuning.v1.TuningMetadata"
  }
}

В ответе сервис вернет объект Operation. Сохраните идентификатор (id) операции, полученный в ответе.

Дообучение модели может занять до 1 суток в зависимости от объема датасета и степени загрузки системы. Чтобы проверить готовность дообучения, запросите статус операции:

grpcurl \
  -H "Authorization: Bearer <IAM-токен>" \
  -d '{"operation_id": "<идентификатор_операции>"}' \
  llm.api.cloud.yandex.net:443 yandex.cloud.operation.OperationService/Get

Где:

<IAM-токен> — IAM-токен сервисного аккаунта, полученный перед началом работы.
<идентификатор_операции> — идентификатор операции дообучения модели, полученный на предыдущем шаге.

Если дообучение завершилось, объект Operation будет содержать URI дообученной модели в поле targetModelUri:

{
  "id": "ftnlljf53kil********",
  "createdAt": "2025-01-20T11:17:33Z",
  "modifiedAt": "2025-01-20T11:25:40Z",
  "done": true,
  "metadata": {
    "@type": "type.googleapis.com/yandex.cloud.ai.tuning.v1.TuningMetadata",
    "status": "COMPLETED",
    "tuningTaskId": "ftnlljf53kil********"
  },
  "response": {
    "@type": "type.googleapis.com/yandex.cloud.ai.tuning.v1.TuningResponse",
    "status": "COMPLETED",
    "targetModelUri": "gpt://b1gt6g8ht345********/yandexgpt-lite/latest@tamr2nc6pev5e********",
    "tuningTaskId": "ftnlljf53kil********"
  }
}

Используйте полученный URI дообученной модели (значение поля targetModelUri) при обращении к ней.

Метрики дообучения доступны в формате TensoBoard. Получите ссылку, чтобы загрузить файл:
```
grpcurl \
  -H "Authorization: Bearer <IAM-токен>" \
  -d '{"task_id": "<идентификатор_задания>"}' \
  llm.api.cloud.yandex.net:443 yandex.cloud.ai.tuning.v1.TuningService/GetMetricsUrl
```
Загруженный файл можно открыть, например, в проекте Yandex DataSphere.

Обращение к дообученной модели

После завершения операции дообучения сохраните URI дообученной модели вида gpt://<URI_базовой_модели>/<версия>@<суффикс_дообучения>. Используйте его, чтобы отправлять синхронные и асинхронные запросы или создать AI-ассистента на основе дообученной модели.

См. также

Дообучение моделей
Создать дообучение модели классификатора в Foundation Models
Больше примеров SDK доступно в репозитории на GitHub.

Создать дообучение модели генерации текста в Foundation Models

Перед началом работыПеред началом работы

Загрузите датасетЗагрузите датасет

Запустите дообучениеЗапустите дообучение

Обращение к дообученной моделиОбращение к дообученной модели

См. такжеСм. также

Была ли статья полезна?

Перед началом работы

Загрузите датасет

Запустите дообучение

Обращение к дообученной модели

См. также