Docs
...
InstructLab foundation models

InstructLab-compatible Gründungsmodelle

Letzte Aktualisierung: 21. Feb. 2025
InstructLab-compatible Gründungsmodelle

Erkunden Sie die IBM -Stiftungsmodelle, die mithilfe von InstructLab optimiert wurden. Erkunden Sie die Taxonomie von foundation model, um Wissenslücken zu finden, die Sie durch die Einbringung Ihrer Fähigkeiten schließen können.

IBM watsonx.ai unterstützt Basismodelle, die eine neuartige Ausrichtungsoptimierungsmethode von IBM Research verwenden. Large-scale Alignment for chatBots, oder LAB, ist eine Methode, um neues Wissen und neue Fähigkeiten zu bestehenden Basismodellen hinzuzufügen, indem synthetische Daten für die neue Fähigkeit generiert werden, und dann die generierten Daten verwendet werden, um das foundation model zu optimieren.

Anstatt ein neues foundation model von Grund auf zu entwickeln oder ein abgeleitetes Modell mit Feinabstimmung zu erstellen, können Sie IntructLab verwenden, um ein bestehendes foundation model mit den für Ihren Anwendungsfall erforderlichen Funktionen zu erweitern.

Die folgenden Fundamentmodelle wurden mithilfe der Ausrichtungs-Tuning-Methode von InstructLab:

  • granite-20b-multilingual

Weitere Informationen zu diesen Basismodellen finden Sie unter Unterstützte Basismodelle.

Kenntnisse und Fähigkeiten erkunden

Wenn ein foundation model mit eingebrachten Kenntnissen und Fähigkeiten trainiert wird, steht eine Modell-Taxonomie-Seite für das Modell zur Verfügung. Die Taxonomie zeigt eine Hierarchie der Kenntnisse und Fähigkeiten, die zum foundation model beigetragen wurden, wobei jeder Endknoten eine beigetragene Fähigkeit darstellt.

Klicken Sie auf der Modellkarte für foundation model in Prompt Lab auf "Training taxonomy ", um die Kenntnisse und Fähigkeiten zu erkunden, die dem Modell mithilfe der LAB-Tuning-Methode hinzugefügt wurden.

  • Ein Skill lehrt das Modell, etwas zu tun, wie zum Beispiel eine Werbe-E-Mail zu schreiben oder einen Bericht zusammenzufassen. Wenn Sie einen Skill beisteuern, geben Sie mindestens fünf Seedbeispiele an, die zum Generieren synthetischer Daten für das Training verwendet werden.
  • Wissen ist die Daten und Fakten, die ein Modell benötigt, um Fragen genauer zu beantworten. Wenn Sie Wissen einbringen, stellen Sie Erdungsdaten und Frage-Antwort-Paare im Zusammenhang mit den Daten bereit.

Wenn eine Fähigkeit, die Sie für Ihren Anwendungsfall benötigen, nicht im foundation model vorhanden ist, erstellen Sie die Fähigkeit und tragen Sie sie bei.

Weitere Informationen

Übergeordnetes Thema: Unterstützte Basismodelle