Adapte un modelo a su dominio, salidas y herramientas. Elija cómo quiere trabajar su equipo, defina la evaluación y luego seleccione el checkpoint y el método. El acceso a entrenamiento es por invitación. Los compromisos personalizados se cotizan.
Adapte el método de post-entrenamiento a su señal.
/jerarquía
Las demostraciones respaldan el entrenamiento supervisado. Las preferencias respaldan DPO u ORPO. Los entornos ejecutables con resultados evaluables respaldan RL de Agentes. Establezca una línea base sólida y elija o combine métodos basados en evidencia. SFT y DPO no son requisitos previos para RL.
Línea basePrerrequisito de línea base
Prompt, Contexto, Bóvedas y Política de Herramientas
Establezca una línea base medida con contexto, recuperación, herramientas y políticas de aprobación. Evalúe los cambios de configuración junto con cualquier método de entrenamiento elegible.
Artefacto: Instrucciones del sistema, segmentación de recuperación (chunking), esquemas de herramientas, controles de aprobación y reglas de citación (sin modificar los pesos).
DemostracionesPor invitación · Piloto con alcance definido
Ajuste Fino Supervisado (SFT / LoRA)
Utilícelo cuando las demostraciones curadas, incluidas conversaciones multiturno y trazas de herramientas, puedan enseñar el comportamiento requerido en un checkpoint elegible.
Artefacto: Un adaptador o checkpoint elegible se optimiza a partir de demostraciones aprobadas, las cuales pueden abarcar tareas de múltiples pasos.
Utilícelo cuando un entorno ejecutable y resultados de tareas puntuables respalden la optimización basada en recompensas de decisiones de múltiples pasos. No se requiere SFT ni DPO previo.
Artefacto: Optimización integral de políticas a través de llamadas a herramientas multiturno, transiciones de estado del entorno y verificación final de tareas.
Su equipo de ML mantiene el control del ciclo, la función de pérdida o la recompensa. Defina el alcance de entrenadores serverless o dedicados y la inferencia de rollout con Grid.
Acceso por invitación
Qué aportar
Su framework, checkpoint, método de entrenamiento y evaluación. Añada la ventana de capacidad para una ejecución dedicada.
Aporte ejemplos preparados, pares de preferencias o una función de recompensa. Defina el alcance de un trabajo gestionado de SFT, DPO, ORPO o ajuste fino por refuerzo.
Acceso por invitación
Qué aportar
Preparación del conjunto de datos, un modelo base elegible y una evaluación con datos de reserva. El soporte para el checkpoint y el método se confirma conjuntamente.
Elija una ruta y un candidato, o deje la elección abierta. Describa la tarea, los datos y el resultado que su equipo necesita para aceptar.
0 de 4 requisitos redactados. Los requisitos sin responder se marcan como “Por confirmar” en la descarga.
Las respuestas permanecen aquí mientras explora el sitio durante esta visita. Al actualizar la página se borran.
Continuar en otra visita
Guarde un resumen editable para reabrir estas respuestas más adelante. Los archivos se leen en esta página. Envíe una consulta a través del formulario de solicitud cuando esté listo.
Acuerde cómo se valida el modelo.
Compare la línea base sin ajustar con el artefacto entrenado sobre trabajo reservado para validación. Revise la calidad, las excepciones, el esfuerzo humano y el costo por resultado aceptado.
La elegibilidad del checkpoint y del método, los costos de entrenamiento y la puesta en servicio se confirman en la propuesta.
Comience con adaptadores Qwen 27B, o explore Inkling, Nemotron, GLM y Kimi para un trabajo personalizado. Elija el modelo, acuerde la evaluación y luego confirme el método y el cómputo.
14 opciones de entrenamiento · 5 familias de modelos · acceso por invitación
6 de 14 opciones · Destacados · elegibilidad confirmada por trabajo
Qwen · Pesos BF16
Por invitación
Qwen 3.8 27B · LoRA
Un punto de partida para lenguaje de dominio, respuestas estructuradas y uso de herramientas.
Precio de entrenamiento
Cotizado según su conjunto de datos, método y cómputo
Checkpoint y compatibilidad
Adapte el checkpoint postentrenado original con sus propios ejemplos. Comience con ajuste fino supervisado y compare el resultado con el modelo sin ajustar.
Un enfoque con adaptadores cuando la memoria de entrenamiento es una limitación.
Precio de entrenamiento
Cotizado según su conjunto de datos, método y cómputo
Checkpoint y compatibilidad
Defina el alcance de un trabajo personalizado utilizando el checkpoint de 4 bits publicado por Unsloth. Confirmamos la compatibilidad del entrenador, la longitud de secuencia y el formato de despliegue antes de la ejecución.
Explore la adaptación multimodal para texto, imágenes y audio.
Precio de entrenamiento
Cotizado según su conjunto de datos, método y cómputo
Checkpoint y compatibilidad
276B de parámetros totales, 12B activos. Defina el alcance de las modalidades, el conjunto de datos y el entrenador antes de seleccionar adaptadores o un trabajo de parámetros completos.
Considere un modelo más compacto para un asistente o agente enfocado.
Precio de entrenamiento
Cotizado según su conjunto de datos, método y cómputo
Checkpoint y compatibilidad
Un modelo híbrido de 4B con arquitectura Mamba y atención. Defina el alcance del soporte para su arquitectura, método de entrenamiento y entorno de servicio objetivo.
Explore programación de horizonte largo y tareas de agentes verificables.
Precio de entrenamiento
Cotizado según su conjunto de datos, método y cómputo
Checkpoint y compatibilidad
744B de parámetros totales, 40B activos. El trabajo de RL publicado utiliza SAO y slime. Defina el alcance del entrenamiento distribuido, los entornos, los verificadores y la licencia del checkpoint.
Explore programación de horizonte largo y visión nativa para un proyecto personalizado.
Precio de entrenamiento
Cotizado según su conjunto de datos, método y cómputo
Checkpoint y compatibilidad
2.8T de parámetros totales, 104B activos. Los pesos publicados utilizan MXFP4 consciente de la cuantización. Confirme un checkpoint de entrenamiento viable, soporte de cuantización y la licencia de Kimi K3 antes de cotizar una ejecución.
El entrenamiento es por invitación. Los pesos publicados identifican a un candidato para definir su alcance. La cotización confirma la licencia del checkpoint, la compatibilidad del entrenador, el volumen del conjunto de datos, la longitud de secuencia, las épocas, el método, la evaluación y el cómputo.
Los precios de inferencia no determinan el precio del entrenamiento. El entrenamiento, el almacenamiento y el despliegue se acuerdan por separado. La ventana de contexto nativa del modelo no garantiza una longitud de secuencia de entrenamiento.
Aprendizaje por refuerzo · investigación y definición de alcance
Investigue un piloto de RL.
Existe trabajo publicado de RL para GLM 5.3 y Qwen 3.8. Vincule la evidencia con el checkpoint y luego diseñe un piloto en torno a una tarea medible y una recompensa confiable. Fuentes revisadas el 1 de octubre de 2026.
Receta 27B · investigación 2.4T
Qwen 3.8
Los resultados de 2.4T no demuestran un resultado de entrenamiento en 27B. Para 27B, confirme la receta, el entrenador, la ruta de rollout y la recompensa mediante un piloto acotado.
Enfoque y fuentes de RL
Unsloth documenta un punto de entrada de RL para Qwen 3.8 27B utilizando su ruta de entrenamiento de Qwen 3.5. Por separado, QwenGyre reporta RL de agentes de horizonte largo en Qwen 3.8 2.4T.
Informe de postentrenamiento específico de la versión
GLM 5.3
El artículo de SAO evalúa GLM 5.2. El informe de lanzamiento de la versión 5.3 describe su uso continuado. Defina el alcance del checkpoint BF16, la licencia, el entrenador distribuido y los entornos de su tarea antes de una ejecución.
Enfoque y fuentes de RL
Z.ai describe RL continuo de horizonte largo con optimización asíncrona de rollout único (SAO), compactación, verificadores de tareas y el framework slime. GLM 5.3 mantiene la misma base que 5.2.
Aporte el entorno de rollout, la función de recompensa o verificador, el conjunto de datos, la línea base sin ajustar y el criterio de éxito. La elegibilidad del piloto y el costo de entrenamiento se confirman en una cotización personalizada.
La Training API consta de dos entrenadores. Serverless para LoRA en capacidad compartida. Dedicated cuando necesita ajuste de todos los parámetros (full-parameter), destilación o un clúster propio. Los rollouts de RL son el muestreador, no el entrenador.
Bucle personalizado · LoRA · por token
Training API Serverless
Escriba el bucle en Python. Grid se conecta a entrenadores compartidos. Solo LoRA. Usted paga por los tokens de entrenamiento, no por GPUs inactivas. Úselo cuando un trabajo gestionado estándar no sea suficiente y no necesite un clúster dedicado.
Bucle personalizado · LoRA o todos los parámetros (full-parameter)
Training API Dedicated
Sus entrenadores, reservados para el trabajo. Aquí se ejecutan funciones de pérdida personalizadas, destilación, DPO, ORPO y actualizaciones de todos los parámetros. Capacidad basada en tiempo, bajo cotización. Desmantélelo cuando termine la ejecución.
Métodos
/métodos
Entrenamiento supervisado, de preferencias, por refuerzo, destilación y de todos los parámetros (full-parameter). La elegibilidad depende de cada checkpoint y método. Un modelo en la lista de alcance no garantiza compatibilidad con todos los métodos a continuación. Confirme el entrenador y la evaluación en su alcance de entrenamiento.
Gestionado o Training API
SFT
Ajuste fino supervisado (SFT)
Detalles del método
Entrene con ejemplos etiquetados de la salida que desea. Texto y visión. El primer trabajo predeterminado. LoRA en modo gestionado. Todos los parámetros (full-parameter) en la API dedicada.
API Gestionada o Dedicated
DPO
Optimización directa de preferencias
Detalles del método
Entrene con pares preferidos y no preferidos para el mismo prompt. DPO compara la política con un modelo de referencia. Úselo para ajustar el tono, el formato y respuestas que no tienen una única cadena ideal.
API Gestionada o Dedicated
ORPO
Optimización de preferencias por razón de probabilidades (Odds Ratio)
Detalles del método
Los mismos pares de preferencias que DPO. ORPO incorpora un objetivo supervisado, por lo que no necesita mantener un modelo de referencia separado. Misma estructura de dataset: entrada, preferred_output, non_preferred_output.
Piloto con alcance definido o API Dedicated
RL de Agentes / RFT
Ajuste fino por refuerzo en trayectorias
Detalles del método
Entrene el uso de herramientas de múltiples pasos y el razonamiento frente a verificadores deterministas y rúbricas. Defina el alcance de un piloto de RL de Agentes con Forward, o conserve su propio entrenador y utilice Grid para el muestreo de rollouts de RL.
API Dedicated
Destilación
De profesor a estudiante
Detalles del método
Un bucle personalizado que transfiere el comportamiento de un modelo profesor más grande a un modelo estudiante más pequeño. No es un ajuste preestablecido gestionado. Se cotiza con la API dedicada.
API Dedicated
Todos los parámetros (Full-parameter)
Actualizar los pesos base
Detalles del método
LoRA es el comienzo rápido. El ajuste de todos los parámetros es el techo cuando los adaptadores no logran modificar el comportamiento. Los trabajos gestionados se mantienen en LoRA. El ajuste de todos los parámetros es exclusivamente dedicado.
Entrenamiento personalizado
Planifique el modelo. Acuerde su ruta de servicio.
Trabaje con nuestro equipo para definir la tarea, elegir un checkpoint y método compatibles, y acordar la evaluación. La propuesta define la ejecución de entrenamiento, el artefacto resultante, los costos y el plan de servicio. Un artefacto aceptado recibe acceso en la cuenta mediante el proceso de lanzamiento acordado.
Si el trabajo abarca una carga de trabajo completa en la fábrica y no un único trabajo de entrenamiento, se trata de un proyecto personalizado. Hable con nosotros allí.
Bucle de trayectorias y verificadores
RL de Agentes
Entrene modelos en trayectorias de uso de herramientas de múltiples pasos y verificadores deterministas. Forward define el alcance del arnés de entorno, el contrato de recompensa y las actualizaciones de política con su equipo. Alcance por invitación.
Conecte su propio bucle de RL a Grid para el muestreo de trayectorias de alta concurrencia. Nosotros ejecutamos la inferencia de rollout; su equipo de ML conserva el entrenador y el cronograma de actualización de pesos. Capacidad reservada, bajo cotización.
La propuesta define cómo se despliega un checkpoint aceptado en Grid Serverless, Dedicado o Privado. El acceso de la cuenta, el formato y el despliegue se confirman antes del lanzamiento. Enrutador Inteligente puede incluir un modelo habilitado que usted seleccione. El entrenamiento se cotiza por trabajos; las tarifas de tokens de inferencia determinan el precio del servicio.
Traiga una tarea. Defina el alcance de entrenamiento.
Acuerde el checkpoint, los datos, la evaluación y el plan de servicio antes de la ejecución. El acceso al entrenamiento es por invitación; los compromisos personalizados se cotizan.