Templates
Utilise ces templates comme base de depart. Les presets publics sont limites aux chemins actuellement valides: Knowledge QA, smoke GGUF, LoRA GGUF standard et CUDA performance.
/datasets.Dataset conseille pour la premiere demo publique: public-support-mini-v1.jsonl. Lance d abord knowledge-qa-starter ou tiny-gguf-smoke, confirme l artefact, puis passe a un template LoRA.
Le choix le plus fiable et le moins cher pour petits datasets factuels, FAQ, docs produit et support.
Template le plus fiable pour un petit dataset factuel JSONL: il construit un bundle de reponses ancrees dans le dataset, sans promettre un GGUF.
Tests courts pour verifier qu'une machine AMD/DML ou Nvidia/CUDA peut produire un artefact GGUF.
Petit test de bout en bout pour verifier qu'une machine AMD/DirectML ou Nvidia/CUDA peut produire un hf-model et un model.gguf.
Presets Nvidia uniquement pour modeles plus lourds. A lancer seulement si la machine expose cuda=true.
Template texte standard pour dataset utilisateur: auto_train choisit LoRA SFT et exige un model.gguf final. Compatible CUDA ou DML avec petits reglages memoire.
Template Nvidia uniquement pour valider un vrai fine-tuning Qwen 1.5B avec export GGUF. A utiliser quand la machine expose cuda=true.