Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Fine-tune Amazon Nova modelos con ajuste de precisión supervisado
Amazon NovaLos datos de la SFT 2.0 utilizan el mismo formato de la API de Converse que la Amazon Nova versión 1.0, con la adición de campos de contenido de razonamiento opcionales. Para ver las especificaciones de formato completas, consulte el esquema de la ReasoningContentBlockAPI de Converse.
Funciones compatibles:
Tipos de entrada: texto, imagen o video en bloques de contenido del usuario
Contenido auxiliar: contenido de Text-only respuestas y razonamientos
Composición del conjunto de datos: debe ser homogéneo. Elige una de las siguientes opciones: turnos de solo texto, turnos de texto con imagen o turnos de texto con vídeo
importante
No se pueden mezclar imágenes y videos en el mismo conjunto de datos ni en turnos diferentes.
Limitaciones actuales:
Uso de herramientas: aunque el formato de entrada admite el uso de herramientas, actualmente no lo admite Amazon Nova 2.0 SFT. Añadir secciones de herramientas puede provocar un error en el trabajo.
Contenido de razonamiento multimodal: aunque el formato Converse admite contenido de razonamiento basado en imágenes, la SFT 2.0 no lo admite. Amazon Nova
Conjuntos de validación: es posible que la interfaz de usuario admita proporcionar un conjunto de validación, pero no se admitirá durante el entrenamiento de SFT.
Formatos multimedia compatibles:
Imágenes: PNG, JPEG, GIF
Videos: MOV, MKV, MP4
Ejemplos de formato de datos
Razonamiento del contenido
El contenido de razonamiento (conocido también como cadena de pensamiento) captura los pasos de pensamiento intermedios del modelo antes de generar una respuesta final. En el turno del assistant, use el campo reasoningContent para incluir estos rastros de razonamiento.
Cómo se calcula la pérdida:
Con contenido de razonamiento: la pérdida de entrenamiento incluye tanto los tokens de razonamiento como los de salida final.
Sin contenido de razonamiento: la pérdida de entrenamiento se calcula solo en los tokens de salida final.
Cuándo activar el modo de razonamiento: reasoning_enabled: true Configúrelo en su configuración de entrenamiento cuando desee que el modelo genere señales de reflexión antes de producir los resultados finales o necesite mejorar el rendimiento en tareas de razonamiento complejas. reasoning_enabled: falseEstablézcalo cuando estés entrenando para realizar tareas sencillas que no se beneficien de pasos de razonamiento explícitos.
nota
Puedes activar el modo de razonamiento independientemente de si los datos de entrenamiento contienen contenido de razonamiento. Sin embargo, se recomienda incluir trazas de razonamiento en los datos de entrenamiento para que el modelo pueda aprender de estos ejemplos y mejorar la calidad del razonamiento.
Pautas de formato:
Usa texto plano para razonar el contenido.
Evita las etiquetas de marcado como
<thinking>y</thinking>a menos que tu tarea lo requiera específicamente.Asegúrese de que el contenido del razonamiento sea claro y relevante para el proceso de resolución de problemas.
El contenido de razonamiento efectivo debe incluir:
Pensamientos y análisis intermedios
Deducciones lógicas y pasos de inferencia
Step-by-step enfoques de resolución de problemas
Conexiones explícitas entre los pasos y las conclusiones
Si el conjunto de datos carece de rastros de razonamiento, puede crearlos con un modelo con capacidad de razonamiento como Nova Premier. Proporcione los pares de entrada y salida al modelo y capture el proceso de razonamiento para crear un conjunto de datos con razonamiento aumentado.
Directrices de preparación de conjuntos de datos
En la siguiente tabla se proporcionan pautas para preparar el conjunto de datos de entrenamiento.
| Directriz | Description (Descripción) |
|---|---|
| Tamaño y calidad |
|
| Diversidad |
Incluya diversos ejemplos que hagan lo siguiente:
|
| Formato de salida |
Especifique claramente el formato de salida deseado en las respuestas del asistente. Los ejemplos incluyen estructuras JSON, tablas, formato CSV o formatos personalizados específicos de su aplicación. |
| Multi-turn conversaciones |
|
| Lista de control de calidad |
|