Buckets:

rtrm's picture
download
raw
9.41 kB
import{s as xt,n as Tt,o as Ht}from"../chunks/scheduler.4048030c.js";import{S as ct,i as ht,e as p,s as i,c as X,h as Ct,a as r,d as l,b as s,f as vt,g as Y,j as o,k as Mt,l as Pt,m as n,n as Z,t as tt,o as et,p as lt}from"../chunks/index.b7616466.js";import{C as bt,H as _t,E as wt}from"../chunks/MermaidChart.svelte_svelte_type_style_lang.881374c1.js";function dt(nt){let a,d,b,y,u,A,m,R,f,it='<img src="https://huggingface.co/datasets/agents-course/course-images/resolve/main/en/bonus-unit1/thumbnail.jpg" alt="Бонусный раздел 1 Миниатюра"/>',E,g,st="Добро пожаловать в первый <strong>Бонусный раздел</strong>, в котором вы научитесь <strong>дообучать Большую Языковую Модель (LLM) вызову функций</strong>.",k,L,pt="С точки зрения LLM, вызов функций быстро становится <em>обязательной</em> техникой.",q,$,rt="Идея заключается в том, что вместо того, чтобы полагаться только на подходы, основанные на подсказках, как мы делали в разделе 1, вызов функций обучает вашу модель <strong>предпринимать действия и интерпретировать наблюдения на этапе обучения</strong>, делая ваш AI более надежным.",z,v,ot="<p><strong>Когда мне следует выполнить этот Бонусный раздел?</strong></p> <p>Этот раздел является <strong>опциональным</strong> и более продвинутым, чем Раздел 1, поэтому не стесняйтесь либо выполнить этот раздел сейчас, либо вернуться к нему, когда ваши знания улучшатся благодаря этому курсу.</p> <p>Но не волнуйтесь, в этом бонусном разделе собрана вся необходимая информация, поэтому мы расскажем вам обо всех основных концепциях дообучения модели вызову функций, даже если вы еще не изучили механизм дообучения.</p>",O,M,at="Лучший способ для вас пройти этот Бонусный Раздел - это:",S,_,ut='<li><p>Знать, как дообучить LLM трансформер, если это не так <a href="https://huggingface.co/learn/nlp-course/chapter3/1?fw=pt" rel="nofollow">изучите это</a></p></li> <li><p>Знать, как использовать <code>SFTTrainer</code> для дообучения нашей модели, чтобы узнать об этом больше <a href="https://huggingface.co/learn/nlp-course/en/chapter11/1" rel="nofollow">изучите документацию</a></p></li>',U,j,I,x,B,T,mt=`<li><p><strong>Вызов функций</strong>
Как современные <strong>LLM эффективно структурируют свои диалоги, позволяя запускать </strong>Инструменты**.</p></li> <li><p><strong>LoRA (Low-Rank Adaptation)</strong>.
<strong>Легкий и эффективный</strong> метод дообучения, сокращающий накладные расходы на вычисления и хранение данных. LoRA делает обучение больших моделей <em>быстрым, дешевым и простым</em> в развертывании.</p></li> <li><p>**Цикл «Мысль → Действие → Наблюдение» в моделях вызова функций
Простой, но мощный подход к структурированию того, как ваша модель решает, когда (и как) вызывать функции, отслеживать промежуточные шаги и интерпретировать результаты, полученные от внешних инструментов или API.</p></li> <li><p><strong>Новые специальные токены</strong>.
Мы введем <strong>специальные маркеры</strong>, которые помогут модели различать:</p> <ul><li>Внутренние рассуждения “цепочки мыслей”</li> <li>Исходящие вызовы функций</li> <li>Ответы, поступающие от внешних инструментов</li></ul></li>`,F,G,K,H,ft="К концу этого раздела вы сможете:",Q,c,gt="<li><strong>Понимать</strong> внутреннюю работу API, когда речь идет об инструментах.</li> <li><strong>Дообучать</strong> модели с помощью техник LoRA.</li> <li>Имплементировать<strong>и </strong>модифицировать** цикл “Мысль → Действие → Наблюдение” для создания надежных и поддерживаемых рабочих процессов вызова функций.</li> <li><strong>Разрабатывать и использовать</strong> специальные токены, чтобы легко отделить внутренние рассуждения модели от ее внешних действий.</li>",D,h,Lt="И вы <strong>доработаете свою собственную модель для вызова функций</strong> 🔥.",J,C,$t="Давайте погрузимся в <strong>вызов функций</strong>!",N,P,V,w,W;return u=new bt({props:{containerStyle:"float: right; margin-left: 10px; display: inline-flex; position: relative; z-index: 10;"}}),m=new _t({props:{title:"Введение",local:"введение",headingTag:"h1"}}),x=new _t({props:{title:"Что вы узнаете",local:"что-вы-узнаете",headingTag:"h2"}}),P=new wt({props:{source:"https://github.com/huggingface/agents-course/blob/main/units/ru-RU/bonus-unit1/introduction.mdx"}}),{c(){a=p("meta"),d=i(),b=p("p"),y=i(),X(u.$$.fragment),A=i(),X(m.$$.fragment),R=i(),f=p("p"),f.innerHTML=it,E=i(),g=p("p"),g.innerHTML=st,k=i(),L=p("p"),L.innerHTML=pt,q=i(),$=p("p"),$.innerHTML=rt,z=i(),v=p("blockquote"),v.innerHTML=ot,O=i(),M=p("p"),M.textContent=at,S=i(),_=p("ol"),_.innerHTML=ut,U=i(),j=p("hr"),I=i(),X(x.$$.fragment),B=i(),T=p("ol"),T.innerHTML=mt,F=i(),G=p("hr"),K=i(),H=p("p"),H.textContent=ft,Q=i(),c=p("ul"),c.innerHTML=gt,D=i(),h=p("p"),h.innerHTML=Lt,J=i(),C=p("p"),C.innerHTML=$t,N=i(),X(P.$$.fragment),V=i(),w=p("p"),this.h()},l(t){const e=Ct("svelte-u9bgzb",document.head);a=r(e,"META",{name:!0,content:!0}),e.forEach(l),d=s(t),b=r(t,"P",{}),vt(b).forEach(l),y=s(t),Y(u.$$.fragment,t),A=s(t),Y(m.$$.fragment,t),R=s(t),f=r(t,"P",{"data-svelte-h":!0}),o(f)!=="svelte-16jsapc"&&(f.innerHTML=it),E=s(t),g=r(t,"P",{"data-svelte-h":!0}),o(g)!=="svelte-1i25ntn"&&(g.innerHTML=st),k=s(t),L=r(t,"P",{"data-svelte-h":!0}),o(L)!=="svelte-32rm8r"&&(L.innerHTML=pt),q=s(t),$=r(t,"P",{"data-svelte-h":!0}),o($)!=="svelte-1ltouqn"&&($.innerHTML=rt),z=s(t),v=r(t,"BLOCKQUOTE",{"data-svelte-h":!0}),o(v)!=="svelte-eb0nns"&&(v.innerHTML=ot),O=s(t),M=r(t,"P",{"data-svelte-h":!0}),o(M)!=="svelte-1uw9qv8"&&(M.textContent=at),S=s(t),_=r(t,"OL",{"data-svelte-h":!0}),o(_)!=="svelte-mhizfe"&&(_.innerHTML=ut),U=s(t),j=r(t,"HR",{}),I=s(t),Y(x.$$.fragment,t),B=s(t),T=r(t,"OL",{"data-svelte-h":!0}),o(T)!=="svelte-19d2e1r"&&(T.innerHTML=mt),F=s(t),G=r(t,"HR",{}),K=s(t),H=r(t,"P",{"data-svelte-h":!0}),o(H)!=="svelte-1t2pizx"&&(H.textContent=ft),Q=s(t),c=r(t,"UL",{"data-svelte-h":!0}),o(c)!=="svelte-17zcyrs"&&(c.innerHTML=gt),D=s(t),h=r(t,"P",{"data-svelte-h":!0}),o(h)!=="svelte-1nk7nw0"&&(h.innerHTML=Lt),J=s(t),C=r(t,"P",{"data-svelte-h":!0}),o(C)!=="svelte-1vuax3d"&&(C.innerHTML=$t),N=s(t),Y(P.$$.fragment,t),V=s(t),w=r(t,"P",{}),vt(w).forEach(l),this.h()},h(){Mt(a,"name","hf:doc:metadata"),Mt(a,"content",yt)},m(t,e){Pt(document.head,a),n(t,d,e),n(t,b,e),n(t,y,e),Z(u,t,e),n(t,A,e),Z(m,t,e),n(t,R,e),n(t,f,e),n(t,E,e),n(t,g,e),n(t,k,e),n(t,L,e),n(t,q,e),n(t,$,e),n(t,z,e),n(t,v,e),n(t,O,e),n(t,M,e),n(t,S,e),n(t,_,e),n(t,U,e),n(t,j,e),n(t,I,e),Z(x,t,e),n(t,B,e),n(t,T,e),n(t,F,e),n(t,G,e),n(t,K,e),n(t,H,e),n(t,Q,e),n(t,c,e),n(t,D,e),n(t,h,e),n(t,J,e),n(t,C,e),n(t,N,e),Z(P,t,e),n(t,V,e),n(t,w,e),W=!0},p:Tt,i(t){W||(tt(u.$$.fragment,t),tt(m.$$.fragment,t),tt(x.$$.fragment,t),tt(P.$$.fragment,t),W=!0)},o(t){et(u.$$.fragment,t),et(m.$$.fragment,t),et(x.$$.fragment,t),et(P.$$.fragment,t),W=!1},d(t){t&&(l(d),l(b),l(y),l(A),l(R),l(f),l(E),l(g),l(k),l(L),l(q),l($),l(z),l(v),l(O),l(M),l(S),l(_),l(U),l(j),l(I),l(B),l(T),l(F),l(G),l(K),l(H),l(Q),l(c),l(D),l(h),l(J),l(C),l(N),l(V),l(w)),l(a),lt(u,t),lt(m,t),lt(x,t),lt(P,t)}}}const yt='{"title":"Введение","local":"введение","sections":[{"title":"Что вы узнаете","local":"что-вы-узнаете","sections":[],"depth":2}],"depth":1}';function At(nt){return Ht(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class qt extends ct{constructor(a){super(),ht(this,a,At,dt,xt,{})}}export{qt as component};

Xet Storage Details

Size:
9.41 kB
·
Xet hash:
dd471a3b0e116e2838c77f4ab3af0573740d71e434f6cd8869a9493dec535fd6

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.