RT @_vmlops: GOOGLE HAT EIN FOUNDATION-MODELL ENTWICKELT, DAS ZEITREIHEN VORHERSAGT, OHNE MIT IHREN DATEN TRAINIERT WERDEN ZU MÜSSEN. Jeder ML-Ingenieur, den ich kenne, hat Wochen damit verschwendet, diese Pipelines von Grund auf neu aufzubauen: maßgeschneiderte Modelle, Feature Engineering, Hyperparameter-Tuning – und trotzdem versagen sie bei neuen Daten. TimesFM ist ein vortrainiertes Foundation-Modell für Zeitreihen, das auf einem massiven Korpus aus realen Daten trainiert wurde, sodass Sie Ihre historischen Zahlen nicht einspeisen müssen, um Vorhersagen zu erhalten: Verkaufstrends, Energieverbrauch, Bedarfssignale, alle sequenziellen Daten mit einem Zeitstempel. Kein Training. Kein Fine-Tuning. Kein Pipeline-Drama. 200 Millionen Parameter. 16k Context Window. Integrierte Quantil-Vorhersagen. Google gefiel es so gut, dass sie es als offizielles Produkt in BigQuery integriert haben; der Rest von uns hat einfach die Open-Source-Version kostenlos erhalten: github.com/google-research/t…

Mehr auf Arint.info

#FineTuning #github #google #Google #GOOGLE #mit #MIT #Rest #arint_info

https://x.com/_vmlops/status/2042091929769537676#m

Sten Rüdiger (@StenRuediger)

arXiv에 새 논문 'MiCA Learns More Knowledge Than LoRA and Full Fine-Tuning'가 공개되었다. 매개변수 효율적 미세조정(PEFT)에서 단순히 저랭크 업데이트 여부보다 어떤 부분공간을 적응시키는지가 더 중요할 수 있다는 점을 제시한다. LoRA 및 full fine-tuning과 비교한 흥미로운 연구 결과다.

https://x.com/StenRuediger/status/2041888496927826398

#arxiv #peft #lora #finetuning #research

Google Gemma (@googlegemma)

Gemma 커뮤니티 프로젝트를 소개합니다. Apple silicon에서 오디오, 텍스트, 이미지를 활용해 Gemma 4를 파인튜닝할 수 있는 인상적인 오픈소스형 활용 사례로, 멀티모달 모델 학습과 로컬 환경 최적화 측면에서 개발자들에게 유용한 정보입니다.

https://x.com/googlegemma/status/2041942389745709213

#gemma #multimodal #finetuning #applesilicon #ai

Paul Couvert (@itsPaulAi)

구글 Colab에서 무료로 Gemma 4를 포함한 500개 이상의 오픈소스 모델을 파인튜닝할 수 있게 되었으며, Unsloth Studio를 통해 간단한 절차로 학습을 시작할 수 있다는 소식입니다. 오픈소스 모델 학습 접근성을 크게 높인 업데이트입니다.

https://x.com/itsPaulAi/status/2041217694767415320

#gemma #unsloth #colab #finetuning #opensource

merve (@mervenoyann)

Gemma 4가 추론을 위한 thought channel을 제공한다는 팁입니다. 추론과 답변 데이터를 활용해 fine-tuning하면, 생각 과정을 주입하는 방식으로 성능을 개선할 수 있다고 설명합니다.

https://x.com/mervenoyann/status/2041183790375002259

#gemma #reasoning #finetuning #llm #opensource

merve (@mervenoyann)

gemma 4를 파인튜닝하면서 겪은 실패와 성능 테스트(vibe tests)에 대한 블로그가 곧 공유될 예정입니다. 모델 튜닝 과정의 시행착오와 실전 평가 경험을 다루는 내용으로, LLM 파인튜닝에 관심 있는 개발자에게 참고가 될 만합니다.

https://x.com/mervenoyann/status/2040475460493029518

#gemma #finetuning #llm #machinelearning #blog

AISatoshi (@AiXsatoshi)

Qwen 기반 Opus 증류 튜닝 사례가 일본어 지식 측면에서는 기대에 못 미쳤고, 용도 차이 때문에 일본어용 추가 튜닝이 필요하다고 지적했다. 특정 언어권에 맞춘 모델 적응과 현지화 튜닝의 중요성을 보여주는 내용이다.

https://x.com/AiXsatoshi/status/2040410630663143680

#qwen #finetuning #japanese #llm #localization

AISatoshi (@AiXsatoshi)

Opus 증류 데이터셋을 Gemma-4-26B로 번역해 일본어화한 작업을 언급한 트윗이다. 대규모 모델을 활용해 학습용 데이터셋을 현지화하는 실험으로, 일본어 튜닝 및 데이터 생성 파이프라인 구축에 활용될 수 있는 사례다.

https://x.com/AiXsatoshi/status/2040475933296193922

#gemma #dataset #translation #finetuning #japanese

Demis Hassabis (@demishassabis)

Gemma 4가 공개되었으며, 각 크기별로 최적화된 최고 수준의 오픈 모델이라고 소개한다. 31B dense, 26B MoE, 2B/4B edge용 등 다양한 버전으로 제공되어 파인튜닝과 온디바이스 활용이 가능해, 오픈 소스 모델 분야의 중요한 출시다.

https://x.com/demishassabis/status/2039736628659269901

#gemma #openmodel #llm #opensource #finetuning

Avi Chawla (@_avichawla)

LLM 파인튜닝을 2년 이상 해온 경험을 바탕으로, 대형 언어모델 파인튜닝의 주요 기법 5가지를 시각자료와 함께 정리한 내용이다. 실무자에게 유용한 LLM 학습/튜닝 방법론 참고 자료로 볼 수 있다.

https://x.com/_avichawla/status/2039256052643078144

#llm #finetuning #machinelearning #training #ai