Training & Fine-tuning

Entrainement et fine-tuning de modeles, MLOps, recherche scientifique.

369 skills

#	Skill	Source	Description
1	cuda-streams	pytorch/pytorch	Auditer et choisir la bonne stratégie de synchronisation CUDA entre streams pour éviter les fuites mémoire.	104 843
2	backtesting-frameworks	wshobson/agents	Construire des systèmes de backtesting robustes pour évaluer fiablement des stratégies de trading.	40 989
3	checkpoint-promotion	wshobson/agents	Évaluer et promouvoir un checkpoint via un processus de validation en quatre étapes.	40 989
4	dataset-curation	wshobson/agents	Préparer, formater et valider un dataset JSONL pour fine-tuner un LLM.	40 989
5	eval-harness-first	wshobson/agents	Construire un harnais d'évaluation rigoureux avant tout fine-tuning de modèle.	40 989
6	finetuning-method-selection	wshobson/agents	Choisir la bonne méthode de fine-tuning ou rediriger vers RAG/prompt engineering.	40 989
7	grpo-rlvr-training	wshobson/agents	Configurer et lancer un entraînement GRPO/RLVR avec récompenses vérifiables.	40 989
8	lora-qlora-recipes	wshobson/agents	Configurer des adaptateurs LoRA et QLoRA optimaux pour le fine-tuning SFT supervisé.	40 989
9	ml-pipeline-workflow	wshobson/agents	Orchestrer un pipeline MLOps complet de l'ingestion des données au déploiement en production.	40 989
10	preference-optimization	wshobson/agents	Sélectionner et configurer la méthode optimale d'alignement par préférences (DPO, ORPO, KTO, SimPO).	40 989
11	quantized-export	wshobson/agents	Exporter un checkpoint promu au bon format quantifié selon la cible matérielle.	40 989
12	spark-environment-setup	wshobson/agents	Configurer et déboguer un environnement ML sur DGX Spark avec CUDA 13.	40 989
13	spark-memory-thermal-ops	wshobson/agents	Gérer la mémoire unifiée et les thermiques du DGX Spark GB10 efficacement.	40 989
14	spark-training-gotchas	wshobson/agents	Diagnostiquer et corriger les dix pannes récurrentes d'entraînement sur DGX Spark GB10.	40 989
15	trace-to-training-data	wshobson/agents	Convertir des traces d'évaluation notées en données d'entraînement SFT ou DPO prêtes à l'emploi.	40 989
16	vision-sft	wshobson/agents	Configurer et affiner un modèle vision-langage avec LoRA/QLoRA de façon optimale.	40 989
17	arize-annotation	github/awesome-copilot	Créer et gérer des configs d'annotation pour labelliser des spans IA via Arize.	40 142
18	arize-experiment	github/awesome-copilot	Gérer et exporter des expériences d'évaluation de modèles IA via Arize.	40 142
19	datanalysis-credit-risk	github/awesome-copilot	Nettoyer et sélectionner des variables pour modélisation de risque crédit.	40 142
20	scvi-tools	anthropics/knowledge-work-plugins	Analyser des données single-cell multi-modales avec les modèles probabilistes scvi-tools.	30 059
21	statistical-analysis	anthropics/knowledge-work-plugins	Analyser des données statistiques avec tendances, distributions et tests d'hypothèses.	30 059
22	huggingface-community-evals	huggingface/skills	Évaluer localement des modèles Hugging Face Hub avec inspect-ai ou lighteval.	11 180
23	huggingface-llm-trainer	huggingface/skills	Entraîner des modèles de langage avec TRL sur l'infrastructure cloud Hugging Face Jobs.	11 180
24	huggingface-lora-space-builder	huggingface/skills	Créer et publier un espace Gradio sur Hugging Face pour inférence avec un LoRA.	11 180
25	huggingface-trackio	huggingface/skills	Suivre, visualiser et piloter des expériences d'entraînement ML en temps réel.	11 180
26	huggingface-vision-trainer	huggingface/skills	Entraîner des modèles de vision (détection, classification, segmentation) sur GPU cloud Hugging Face.	11 180
27	huggingface-zerogpu	huggingface/skills	Configurer et optimiser des démos ML Gradio sur Hugging Face ZeroGPU.	11 180
28	train-sentence-transformers	huggingface/skills	Entraîner des modèles sentence-transformers bi-encodeur, cross-encoder ou SPLADE selon le cas d'usage.	11 180
29	transformers-js	huggingface/skills	Exécuter des modèles ML directement en JavaScript, côté client ou serveur, sans Python.	11 180
30	trl-training	huggingface/skills	Affiner et aligner des LLMs via SFT, DPO, GRPO, RLOO ou reward modeling.	11 180
31	accessing-mlflow	nvidia/model-optimizer	Interroger et comparer des runs MLflow via langage naturel et MCP.	5 353
32	compare-results	nvidia/model-optimizer	Comparer baseline et candidat quantisé pour évaluer la dégradation de précision.	5 353
33	day0-release	nvidia/model-optimizer	Orchestrer le cycle complet de release d'un checkpoint quantisé jusqu'à la recommandation de publication.	5 353
34	eagle3-new-model	nvidia/model-optimizer	Configurer un pipeline EAGLE3 en 4 tâches pour un nouveau modèle HF.	5 353
35	eagle3-review-logs	nvidia/model-optimizer	Analyser les logs d'un pipeline EAGLE3 et produire un rapport de diagnostic structuré.	5 353
36	eagle3-triage	nvidia/model-optimizer	Diagnostiquer et corriger les échecs du pipeline offline EAGLE3 en quatre étapes.	5 353
37	eagle3-validate	nvidia/model-optimizer	Valider un pipeline EAGLE3 et produire un rapport de qualité complet.	5 353
38	evaluation	nvidia/model-optimizer	Configurer, lancer et superviser des évaluations de modèles via NeMo Evaluator Launcher.	5 353
39	ptq	nvidia/model-optimizer	Quantifier un modèle pré-entraîné en checkpoint optimisé via ModelOpt PTQ.	5 353
40	quant-recipe-search	nvidia/model-optimizer	Orchestrer une recherche itérative de recettes de quantisation optimales pour modèles IA.	5 353
41	amc-run-sample-calibration	nvidia/skills	Tester et valider une installation AMC avec le dataset d'échantillon fourni.	3 634
42	boltz2-nim	nvidia/skills	Prédire des structures biomoléculaires et l'affinité ligand via API ou Docker local.	3 634
43	codonfm-embed	nvidia/skills	Extraire des embeddings CLS figés de séquences codantes avec le modèle public Encodon.	3 634
44	codonfm-finetune	nvidia/skills	Affiner le modèle Encodon public avec des données étiquetées de séquences codantes.	3 634
45	codonfm-score	nvidia/skills	Scorer des variants génomiques avec le modèle masqué Encodon pour produire un signal de recherche.	3 634
46	codonfm-setup	nvidia/skills	Configurer l'environnement CodonFM et télécharger les checkpoints Encodon publics.	3 634
47	cudaq-guide	nvidia/skills	Guider l'utilisateur dans CUDA-Q : installation, simulation GPU et accès QPU.	3 634
48	cudaq-importing	nvidia/skills	Convertir des circuits quantiques Qiskit ou autres frameworks vers CUDA-Q Python.	3 634
49	cuopt-install	nvidia/skills	Installer cuOpt via pip, conda ou Docker pour Python, C ou REST.	3 634
50	cuopt-numerical-optimization-api	nvidia/skills	Modéliser et résoudre des problèmes LP, MILP et QP via l'API GPU NVIDIA cuOpt.	3 634

À propos de cette sélection

Quand un modèle de base commence à produire des réponses trop génériques pour rester crédibles en production, le travail sérieux commence. Cette section s'adresse aux ingénieurs ML et aux équipes qui adaptent, évaluent et débogent des modèles en conditions réelles : affiner un LLM sur un corpus métier avec Hugging Face, tracer des expériences d'entraînement bout en bout, ou remonter un bug de compilation dans le runtime PyTorch avant qu'il bloque un pipeline entier. Les skills training & fine-tuning couvrent un spectre plus large que le seul fine-tuning supervisé. On y trouve des outils d'annotation, de benchmarking, de kernels custom côté NVIDIA, et quelques skills orientés recherche reproductible. L'outillage reste majoritairement Python, avec une densité forte autour des frameworks majeurs. Certains cas avancés demandent encore de composer plusieurs skills ensemble, mais la base est solide.