tag: supervised fine-tuning

Drugi artykuł z serii o supervised fine-tuningu pokazuje, jak naprawdę przygotować dane do treningu – od oceny gotowości danych przez learning curves, przez selekcję najcenniejszych próbek, aż po augmentację syntetycznymi przykładami i mieszanie źródeł danych. Dowiesz się, jak uniknąć catastrophic forgetting i wycisnąć maksimum z dostępnych danych.

Artykuł wyjaśnia, dlaczego przygotowanie danych to kluczowy etap każdego projektu supervised fine-tuning i jak go zrobić dobrze. Dowiesz się o kontroli jakości, formatowaniu JSONL, schematach dla reasoning i tool-calling, plus o podziale na zbiory treningowe i ewaluacyjne.