As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá. # Ajuste Amazon Nova modelos com ajuste fino supervisionado Amazon NovaOs dados 2.0 SFT usam o mesmo formato de API Converse da Amazon Nova 1.0, com a adição de campos de conteúdo de raciocínio opcionais. Para obter as especificações completas do formato, consulte [ReasoningContentBlock](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_runtime_ReasoningContentBlock.html)o [esquema da API Converse](https://docs.aws.amazon.com/bedrock/latest/userguide/conversation-inference-call.html). **Funcionalidades suportadas:** + **Tipos de entrada** — texto, imagem ou vídeo em blocos de conteúdo do usuário + **Conteúdo do Assistente** — respostas somente em texto e conteúdo de raciocínio + **Composição do conjunto** de dados — deve ser homogênea. Escolha uma das seguintes opções: curvas somente de texto, curvas de texto\$1imagem ou curvas de texto\$1vídeo **Importante** Você não pode misturar imagens e vídeos no mesmo conjunto de dados ou em turnos diferentes. **Limitações atuais:** + **Uso da ferramenta** — Embora o uso da ferramenta seja suportado no formato de entrada, atualmente não é suportado pelo Amazon Nova 2.0 SFT. Adicionar seções de ferramentas pode fazer com que seu trabalho falhe. + Conteúdo de **raciocínio multimodal — Embora o formato Converse ofereça suporte a conteúdo** de raciocínio baseado em imagem, isso não é suportado pelo 2.0 SFT. Amazon Nova + **Conjuntos de validação** — O fornecimento de um conjunto de validação pode ser suportado por meio da interface do usuário, mas não será suportado durante o treinamento do SFT. **Formatos de mídia compatíveis:** + **Imagens** — PNG, JPEG, GIF + **Vídeos** — MOV, MKV, MP4 ## Exemplos de formato de dados ------ #### [ Text-only ] Este exemplo mostra um formato básico somente de texto compatível com Amazon Nova 1.0. ``` { "schemaVersion": "bedrock-conversation-2024", "system": [ { "text": "You are a digital assistant with a friendly personality" } ], "messages": [ { "role": "user", "content": [ { "text": "What country is right next to Australia?" } ] }, { "role": "assistant", "content": [ { "text": "The closest country is New Zealand" } ] } ] } ``` ------ #### [ Text with reasoning ] Este exemplo mostra texto com conteúdo de raciocínio opcional para Amazon Nova 2.0. ``` { "schemaVersion": "bedrock-conversation-2024", "system": [ { "text": "You are a digital assistant with a friendly personality" } ], "messages": [ { "role": "user", "content": [ { "text": "What country is right next to Australia?" } ] }, { "role": "assistant", "content": [ { "reasoningContent": { "reasoningText": { "text": "I need to use my world knowledge of geography to answer this question" } } }, { "text": "The closest country to Australia is New Zealand, located to the southeast across the Tasman Sea." } ] } ] } ``` **nota** Atualmente, só `reasoningText` é suportado no`reasoningContent`. O conteúdo de raciocínio multimodal ainda não está disponível. ------ #### [ Image \$1 text ] Este exemplo mostra como incluir entrada de imagem com texto. ``` { "schemaVersion": "bedrock-conversation-2024", "system": [ { "text": "You are a helpful assistant." } ], "messages": [ { "role": "user", "content": [ { "image": { "format": "jpeg", "source": { "s3Location": { "uri": "s3://your-bucket/your-path/your-image.jpg", "bucketOwner": "your-aws-account-id" } } } }, { "text": "Which country is highlighted in the image?" } ] }, { "role": "assistant", "content": [ { "reasoningContent": { "reasoningText": { "text": "I will determine the highlighted country by examining its location on the map and using my geographical knowledge" } } }, { "text": "The highlighted country is New Zealand" } ] } ] } ``` ------ #### [ Video \$1 text ] Este exemplo mostra como incluir entrada de vídeo com texto. ``` { "schemaVersion": "bedrock-conversation-2024", "system": [ { "text": "You are a helpful assistant." } ], "messages": [ { "role": "user", "content": [ { "video": { "format": "mp4", "source": { "s3Location": { "uri": "s3://your-bucket/your-path/your-video.mp4", "bucketOwner": "your-aws-account-id" } } } }, { "text": "What is shown in this video?" } ] }, { "role": "assistant", "content": [ { "reasoningContent": { "reasoningText": { "text": "I will analyze the video content to identify key elements" } } }, { "text": "The video shows a map with New Zealand highlighted" } ] } ] } ``` ------ ## Conteúdo de raciocínio O conteúdo de raciocínio (também chamado chain-of-thought) captura as etapas intermediárias do pensamento do modelo antes de gerar uma resposta final. `assistant`Por sua vez, use o `reasoningContent` campo para incluir esses traços de raciocínio. **Como a perda é calculada:** + **Com conteúdo de raciocínio** — a perda de treinamento inclui tokens de raciocínio e tokens de saída final + **Conteúdo sem raciocínio** — a perda de treinamento é calculada apenas com base nos tokens de saída finais **Quando ativar o modo de raciocínio:** defina `reasoning_enabled: true` em sua configuração de treinamento quando você deseja que o modelo gere tokens de raciocínio antes de produzir resultados finais ou precise de um desempenho aprimorado em tarefas complexas de raciocínio. Defina `reasoning_enabled: false` quando você está treinando em tarefas simples que não se beneficiam de etapas explícitas de raciocínio. **nota** Você pode ativar o modo de raciocínio independentemente de seus dados de treinamento conterem conteúdo de raciocínio. No entanto, é recomendável incluir traços de raciocínio em seus dados de treinamento para que o modelo possa aprender com esses exemplos e melhorar a qualidade do raciocínio. **Diretrizes de formatação:** + Use texto simples para raciocinar o conteúdo. + Evite tags de marcação como `` e, `` a menos que sejam especificamente exigidas por sua tarefa. + Garanta que o conteúdo do raciocínio seja claro e relevante para o processo de solução de problemas. **O conteúdo de raciocínio eficaz deve incluir:** + Pensamentos e análises intermediários + Deduções lógicas e etapas de inferência + Step-by-step abordagens de resolução de problemas + Conexões explícitas entre etapas e conclusões Se seu conjunto de dados não tiver traços de raciocínio, você poderá criá-los usando um modelo capaz de raciocinar, como o Nova Premier. Forneça seus pares de entrada e saída ao modelo e capture seu processo de raciocínio para criar um conjunto de dados com raciocínio aumentado. ## Diretrizes de preparação de conjuntos de dados A tabela a seguir fornece diretrizes para preparar seu conjunto de dados de treinamento. **Diretrizes de preparação de conjuntos de dados** | Diretriz | Description | | --- | --- | | Tamanho e qualidade | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/bedrock/latest/userguide/nova-2-sft-data-prep.html) | | Diversidade | Inclua diversos exemplos que façam o seguinte: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/bedrock/latest/userguide/nova-2-sft-data-prep.html) | | Formatação de saída | Especifique claramente o formato de saída desejado nas respostas do assistente. Os exemplos incluem estruturas JSON, tabelas, formato CSV ou formatos personalizados específicos para seu aplicativo. | | Conversas em vários turnos | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/bedrock/latest/userguide/nova-2-sft-data-prep.html) | | Lista de verificação de qualidade | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/bedrock/latest/userguide/nova-2-sft-data-prep.html) |