Microsoft Foundry'de ince ayarlama

Hassas ayarlama, göreve özgü veriler üzerinde ek eğitimle önceden eğitilmiş bir modeli görevinize uyarlar. Her istem için örnek eklemek yerine modelin ağırlıklarını ayarlar. Modeli sıfırdan eğitmeden modelin mevcut özelliklerini temel alırsınız.

Hassas ayarlama, yüksek kaliteli, göreve özgü eğitim verileriniz olduğunda ve şunları yapmak istediğinizde yardımcı olabilir:

  • Doğruluğu ve uygunluğu artırın. Bir isteme sığabilecek olandan daha fazla örnek üzerinde eğitim, göreve özgü desenleri öğretebilir.
  • İstem yükünü azaltın. Daha az istem örneği belirteç maliyetlerini ve gecikme süresini düşürebilir.
  • Stili ve yapıyı hizalayın. Yanıtlar tutarlı bir ton, biçim veya şemayı izleyebilir.
  • Araç kullanımını geliştirin. Eğitim örnekleri, araç seçimini ve argüman doğruluğunu iyileştirebilir.
  • Alınan bağlamı etkili bir şekilde kullanın. Modeller, ilgili bağlamı önceliklendirmeyi ve ilgisiz bilgileri yoksaymayı öğrenebilir.
  • Daha küçük bir modeli özelleştirin. Öğretmen tarafından oluşturulan örnekler, daha küçük bir modelin daha düşük maliyet ve gecikme süresiyle görev gereksinimlerini karşılamaya yardımcı olabilir.

Avantajlar garanti değildir; ayrılmış değerlendirme, ince ayarlı modeli taban çizginizle karşılaştırmanıza yardımcı olur. İnce ayar, eğitim ve barındırma maliyetleri ekler ve güncel bilgiler veya uygulama düzeyinde güvenlik denetimleri için bilgi getirmenin yerini almaz.

Eğitim yaklaşımınızı seçin

Microsoft Foundry iki eğitim yaklaşımı sağlar. Yönetilen ince ayarlama, verileriniz ve ayarlarınızla bir eğitim görevi çalıştırır. Etkileşimli eğitim (önizleme), Python'da eğitim adımlarını denetlemenize olanak tanır.

Her ikisi de Foundry tarafından yönetilen eğitim altyapısını kullanır; eğitim GPU’larını sizin sağlamanız gerekmez.

Note

Etkileşimli eğitim önizleme aşamasındadır ve erişim için açık onay gerektirir. Önizleme kayıt formu aracılığıyla erişim isteyin ve eğitim oturumları oluşturmadan önce onay bekleyin.

Yönetilen hassas ayar Etkileşimli eğitim (önizleme)
Nasıl çalışır Veri ve ayarları gönderin; Foundry eğitim işini çalıştırır. Bir Python döngüsü yazın; Foundry, eğitim ve örnekleme işlemlerini yürütür.
Şunun için en uygunu Alt düzey eğitim operasyonları yerine önceden tanımlanmış iş akışlarını tercih eden yeni başlayanlar ve yapay zeka mühendisleri. Özel eğitim iş akışları oluşturan deneyimli ML uygulayıcıları.
Kontrolünüz Veriler, desteklenen hiper parametreler ve RFT değerlendiricileri. Kayıplar, ödüller, rolloutlar, gradyan birikimi, güncelleştirmeler ve denetim noktaları.
Eğitim yöntemleri Modele özgü SFT, DPO ve RFT; öğretmen tarafından oluşturulan SFT verileri aracılığıyla damıtma. SFT, pekiştirme öğrenmesi, tercih öğrenmesi, distilasyon ve özel kayıplar için tarifler.
Örnek kullanım örnekleri Daha büyük bir modeli damıtın, destek konuşmalarından öğrenin veya yanıtları bir değerlendiriciyle geliştirin. Araç kullanımı rollout’larını toplayın, özel ödüller uygulayın veya eğitim döngüsü güncellemesi ve değerlendirme davranışını değiştirin.

Tip

Model özelleştirme konusunda yeniyseniz yönetilen ince ayarlama ile başlayın. Tek tek eğitim işlemlerini uygulamanıza gerek kalmadan önceden tanımlanmış iş akışları sağlar.

Model gereksinimleri bu seçimi kısıtlayabilir. Bir yaklaşım, yöntem veya modalite için desteklenen bir model, başka bir yaklaşım, yöntem veya modalite için otomatik olarak desteklenmez. Yemek kitabı tarifi desteği de hizmetin kullanılabilir olduğunu göstermez. Kullanılabilir birleşimler için aşağıdaki desteklenen modeller tablosuna bakın.

Özelleştirme yöntemleri

Özelleştirme yöntemleri modelin istenen yanıtlar, tercihler veya ödüller gibi eğitim verilerinden veya geri bildirimlerinden nasıl ders çıkardığını belirler.

Method Eğitim sinyali Uygun olduğunda
Denetimli ince ayar (SFT) İstemler ve istenen yanıtlar. Modelin öğrenmesi gereken davranışı gösterebilirsiniz.
Doğrudan tercih optimizasyonu (DPO) kullanarak tercih ince ayarlama Aynı girişe yönelik tercih edilen ve reddedilen yanıtlar. Kalite, bir doğru yanıt yerine ton veya bütünlük gibi tercihlere bağlıdır.
Pekiştirmeli ince ayar (RFT) İstemler ve oluşturulan yanıtları puanlayan bir değerlendirici. Birden çok çözüm mümkündür ve bunların kalitesini güvenilir bir şekilde puanlayabilirsiniz.

Bu tablodaki önceden tanımlanmış yöntemler yalnızca yönetilen ince ayarlamalar için geçerlidir. Etkileşimli eğitim, özel eğitim iş akışları oluşturmaya yönelik eğitim temel öğelerini sunar.

Eğitim türleri

Eğitim türleri, eğitimin nerede çalıştırılacağını ve kapasite, fiyatlandırma ve hizmet garantilerinin nasıl uygulanacağını tanımlar. Bunlar, eğitilmiş bir modeli nasıl sunduğunuzu belirleyen dağıtım türlerinden ayrıdır.

Eğitim türü Description
Standard Eğitim, geçerli Foundry kaynağının bölgesinde gerçekleşir ve veri yerleşikliği için garantiler sağlar. Verilerin belirli bir bölgede kalması gereken iş yükleri için idealdir.
Veri bölgesi Eğitim, tek bir bölge yerine desteklenen bir veri bölgesinde gerçekleşir. Verilerin bu bölge içinde kalması gereken iş yükleri için idealdir. Şu anda yalnızca ABD veri bölgesi desteklenmektedir.
Global Mevcut bölgenizin ötesindeki kapasiteyi kullanarak Standart ile karşılaştırıldığında daha uygun fiyatlı fiyatlandırma sağlar. Veriler ve ağırlıklar eğitimin gerçekleştiği bölgeye kopyalanır. Veri yerleşimi bir kısıtlama değilse ve daha hızlı kuyruk süreleri istiyorsanız idealdir.
Developer Eğitim için atıl kapasiteyi kullanarak önemli maliyet tasarrufu sağlar. Gecikme süresi veya SLA garantisi olmadığından, bu katmandaki işler otomatik olarak önlenebilir ve daha sonra sürdürülebilir. Veri yerleşimi garantisi de yoktur. Denemeler ve fiyata duyarlı iş yükleri için idealdir.

Dağıtım seçenekleri

Foundry, farklı hizmet altyapısı ve faturalama modelleriyle üç dağıtım seçeneği sunar.

  • Sunucusuz: Foundry ince ayarlı modeli barındırıyor ve hizmet veren altyapıyı yönetiyor.
  • Yönetilen işlem gücü (önizleme): Ayrılmış GPU kapasitesi, bir veya daha fazla uyumlu LoRA bağdaştırıcısıyla eşleşen bir temel model çalıştırır.
  • Foundry'de Fireworks (önizleme): Fireworks çalışma zamanı, temel modelin tam ağırlıklı kopyasıyla birleştirilmiş tek bir bağdaştırıcı sunar.

Sunucusuz ve Fireworks, işleme coğrafyasını, kapasitesini ve faturalama modelini belirleyen farklı dağıtım türleri sunar. Kullanılabilirlik modele, dağıtım seçeneğine ve artefakta bağlıdır.

Dağıtım türü Description
Standard Belirteç başına faturalama ve uygun ince ayarlı model barındırma ücretleriyle dağıtımın bölgesinde çıkarım çalıştırır.
Veri Bölgesi Standart Belirteç başına faturalama ile desteklenen bir veri bölgesi içinde çıkarım çalıştırır. Yalnızca ABD veri bölgesi desteklenir.
Genel Standart Token başına faturalama ile genel kapasiteyi kullanır. Özel model ağırlıkları geçici olarak kaynağın coğrafyasının dışında depolanabilir.
Developer Token başına faturalama ve saatlik barındırma ücreti veya veri ikameti garantisi olmadan küresel olarak çıkarım çalıştırır. Yalnızca değerlendirme için; 24 saat sürer ve kullanılabilirlik SLA'sı yoktur.
Sağlanan Aktarım Hızı Öngörülebilir aktarım hızı için, sağlanmış aktarım hızı birimleri (PTU) cinsinden faturalandırılan bölgesel kapasite sunar.
Küresel Tahsis Edildi İçeri aktarılan özel modeller için PTU tabanlı faturalama ile genel kapasiteyi kullanır.

Desteklenen modeller

Gereksinimleriniz belirli bir model veya eğitim yaklaşımını gerektirebilir. Özelleştirme yönteminizi, eğitim türünüzü ve dağıtım seçeneğinizi destekleyen bileşimleri denetlemek için tabloyu kullanın.

Desteklenen sunucusuz dağıtımlar için, bir lejand aksini belirtmediği sürece Global Standard, Data Zone Standard ve Developer kullanılabilir. Bu dağıtım türleri için Standart dağıtım bölgelerini ve Sağlanan aktarım hızı dağıtım bölgelerini denetleyin.

Model Kimliği Approach Eğitim türleri Dağıtım seçenekleri
MAI-Code-1.1-Flash
(önizleme)		 Yönetilen: ✅ (RFT)
Etkileşimli: ❌		 Standart: ❌
Veri bölgesi: ❌
Genel: ✅
Geliştirici: ✅		 Sunucusuz: ✅2
Yönetilen hesaplama: ❌
Havai fişekler: ❌
Muse-Glimmer-30B
(önizleme)		 Yönetilen: ✅ (SFT, RFT)
Etkileşimli: ✅		 Standart: ❌
Veri bölgesi: ❌
Genel: ✅
Geliştirici: ✅		 Sunucusuz: ❌
Yönetilen hesaplama: ✅
Havai fişekler: ✅1
Llama-3.3-70B-Instruct Yönetilen: ✅ (SFT)
Etkileşimli: ❌		 Standart: ❌
Veri bölgesi: ✅
Genel: ✅
Geliştirici: ❌		 Sunucusuz: ✅2
Yönetilen hesaplama: ❌
Havai fişekler: ❌
Qwen3-32B Yönetilen: ✅ (SFT)
Etkileşimli: ❌		 Standart: ❌
Veri bölgesi: ✅
Genel: ✅
Geliştirici: ❌		 Sunucusuz: ✅2
Yönetilen hesaplama: ❌
Havai fişekler: ❌
Qwen3.6-35B-A3B
(önizleme)		 Yönetilen: ✅ (SFT, RFT)
Etkileşimli: ✅		 Standart: ❌
Veri bölgesi: ❌
Genel: ✅
Geliştirici: ✅		 Sunucusuz: ❌
Yönetilen hesaplama: ✅
Havai fişekler: ✅1
Qwen3.8-27B
(önizleme)		 Yönetilen: ✅ (SFT, RFT)
Etkileşimli: ✅		 Standart: ❌
Veri bölgesi: ❌
Genel: ✅
Geliştirici: ✅		 Sunucusuz: ❌
Yönetilen hesaplama: ✅
Havai fişekler: ✅1
gpt-oss-20b Yönetilen: ✅ (SFT)
Etkileşimli: ✅		 Standart: ❌
Veri bölgesi: ✅
Genel: ✅
Geliştirici: ❌		 Sunucusuz: ✅2
Yönetilen hesaplama: ❌
Havai fişekler: ❌
gpt-oss-120b
(önizleme)		 Yönetilen: ✅ (SFT, RFT)
Etkileşimli: ✅		 Standart: ❌
Veri bölgesi: ❌
Genel: ✅
Geliştirici: ✅		 Sunucusuz: ❌
Yönetilen hesaplama: ✅
Havai fişekler: ✅1
Ministral-3B
(2411)		 Yönetilen: ✅ (SFT)
Etkileşimli: ❌		 Standart: ❌
Veri bölgesi: ✅
Genel: ✅
Geliştirici: ❌		 Sunucusuz: ✅2
Yönetilen hesaplama: ❌
Havai fişekler: ❌
gpt-4o-mini
(2024-07-18)		 Yönetilen: ✅ (SFT)
Etkileşimli: ❌		 Standart: ✅
Veri bölgesi: ✅
Genel: ✅
Geliştirici: ✅		 Sunucusuz: ✅5
Yönetilen hesaplama: ❌
Havai fişekler: ❌
gpt-4o
(2024-08-06)		 Yönetilen: ✅ (SFT, DPO)
Etkileşimli: ❌		 Standart: ✅
Veri bölgesi: ✅
Genel: ✅
Geliştirici: ✅		 Sunucusuz: ✅5
Yönetilen hesaplama: ❌
Havai fişekler: ❌
gpt-4.1
(2025-04-14)		 Yönetilen: ✅ (SFT, DPO)
Etkileşimli: ❌		 Standart: ✅
Veri bölgesi: ✅
Genel: ✅
Geliştirici: ✅		 Sunucusuz: ✅
Yönetilen hesaplama: ❌
Havai fişekler: ❌
gpt-4.1-mini
(2025-04-14)		 Yönetilen: ✅ (SFT, DPO)
Etkileşimli: ❌		 Standart: ✅
Veri bölgesi: ✅
Genel: ✅
Geliştirici: ✅		 Sunucusuz: ✅
Yönetilen hesaplama: ❌
Havai fişekler: ❌
gpt-4.1-nano
(2025-04-14)		 Yönetilen: ✅ (SFT, DPO)
Etkileşimli: ❌		 Standart: ✅
Veri bölgesi: ✅
Genel: ✅
Geliştirici: ✅		 Sunucusuz: ✅
Yönetilen hesaplama: ❌
Havai fişekler: ❌
o4-mini
(2025-04-16)		 Yönetilen: ✅ (RFT)
Etkileşimli: ❌		 Standart: ✅
Veri bölgesi: ✅
Genel: ✅
Geliştirici: ✅		 Sunucusuz: ✅
Yönetilen hesaplama: ❌
Havai fişekler: ❌
gpt-5
(2025-08-07)3		 Yönetilen: ✅ (RFT)
Etkileşimli: ❌		 Standart: ✅
Veri bölgesi: ✅
Genel: ✅
Geliştirici: ❌		 Sunucusuz: ✅4
Yönetilen hesaplama: ❌
Havai fişekler: ❌
MedImageInsight-Premium
(önizleme)		 Yönetilen: ✅ (SFT)
Etkileşimli: ❌		 Global Sunucusuz: ✅2
Yönetilen hesaplama: ❌
Havai fişekler: ❌
CXRReportgen-Premium
(önizleme)		 Yönetilen: ✅ (SFT)
Etkileşimli: ❌		 Global Sunucusuz: ✅2
Yönetilen hesaplama: ❌
Havai fişekler: ❌

Açıklama

  • 1 Yalnızca Provisioned Throughput dağıtım türü desteklenir.
  • 2 Yalnızca Global Standard dağıtım türü desteklenir.
  • 3 GPT-5 pekiştirmeli ince ayarı için davet gerekir. Kayıt için Microsoft hesabı ekibinize başvurun.
  • 4 Yalnızca Standart dağıtım türü desteklenir. Bkz. Standart dağıtım bölgeleri.
  • 5 Geliştirici dağıtım türü desteklenmiyor.

Desteklenen küresel eğitim bölgeleri

Note

Küresel eğitim, belirteç başına daha uygun fiyatlı eğitim sağlar, ancak veri yerleşimi sunmaz.

Tabloda, Genel yönetilen ince ayar ve etkileşimli eğitimi (önizleme) kullanmak için gereken Foundry proje bölgeleri listelenir. Aşağıdaki kısıtlamalar dahil olmak üzere model ve eğitim yaklaşımınız için desteklenen bir bölge seçin. Standart ve Data zone eğitimi ayrı bölgesel desteğe sahiptir.

Foundry proje bölgesi Yönetilen hassas ayar Etkileşimli eğitim (önizleme)
Australia East ✅ ✅
Brazil South ✅ 1 ❌
Canada Central ✅ 1 ❌
Canada East ✅ 1 ✅
East US ✅ ✅
Doğu ABD 2 ✅ ✅
France Central ✅ 1 ❌
Almanya Batı Merkez ✅ 1 ❌
Italy North ✅ 1 ❌
Japan East ✅ 1,2 ❌
Korea Central ✅ ✅
ABD'nin Kuzey Orta Bölgesi ✅ ✅
Norway East ✅ 1 ❌
Poland Central ✅ 1,3 ❌
Güney Afrika - Kuzey ✅ 1 ❌
ABD'nin Güney Merkez Bölgesi ✅ 1 ❌
South India ✅ 1 ❌
Southeast Asia ✅ 1 ❌
Spain Central ✅ 1 ❌
Sweden Central ✅ ✅
Switzerland North ✅ ✅
Switzerland West ✅ 1 ❌
UAE North ✅ 4 ✅
UK South ✅ ✅
West Europe ✅ 1 ❌
West US ✅ 1 ❌
Batı ABD 3 ✅ ✅
  • 1Qwen3.8-27B, Muse-Glimmer-30B, gpt-oss-120b ve Qwen3.6-35B-A3B için yönetilen ince ayarlama bu bölgede desteklenmiyor.
  • 2 Vision ince ayarı Doğu Japonya'da desteklenmez.
  • 3gpt-4.1-nano için yönetilen ince ayarlama Poland Central'da desteklenmez.
  • 4 UAE North, Global managed fine-tuning’i yalnızca Qwen3.8-27B, Muse-Glimmer-30B, gpt-oss-120b ve Qwen3.6-35B-A3B için destekler.

Desteklenen Standart dağıtım bölgeleri

Yalnızca aşağıdaki modeller sunucusuz Standart dağıtımları destekler. Tabloda bölgesel erişilebilirliği kontrol edin.

Model Kimliği Doğu ABD 2 ABD'nin Kuzey Orta Bölgesi Sweden Central
gpt-4o-mini ❌ ✅ ✅
gpt-4o ✅ ❌ ✅
gpt-4.1 ❌ ✅ ✅
gpt-4.1-mini ❌ ✅ ✅
gpt-4.1-nano ❌ ✅ ✅
o4-mini ✅ ❌ ✅
gpt-5 ❌ ✅ ✅

Desteklenen ayrılmış aktarım hızı dağıtım bölgeleri

Listelenen bölgelerde yalnızca aşağıdaki modeller sunucusuz Provisioned Throughput dağıtımlarını destekler.

Model Kimliği ABD'nin Kuzey Orta Bölgesi Sweden Central
gpt-4o-mini ✅ ✅
gpt-4o ✅ ✅
gpt-4.1 ❌ ✅

Zorluklar ve sınırlamalar

İnce ayar yinelemeli bir mühendislik sürecidir, garantili bir iyileştirme değildir.

Zorluk Nasıl ele alınır?
Veri kalitesi ve kapsamı Doğru, tutarlı, temsili örnekleri kullanın. Verileri karşıya yüklemeden önce eksik senaryoları, yinelenenleri, yanlılıkları ve hassas bilgileri inceleyin.
Aşırı uyum ve değerlendirme kaçağı Eğitim, doğrulama ve son test verilerini birbirinden ayırın. Yalnızca eğitim kaybını değil, ayrılmış test görevlerindeki denetim noktalarını da karşılaştırın.
Yanıltıcı ödül sinyalleri RFT değerlendiricilerini doğru, yanlış ve adversarial yanıtlara karşı test edin. Artan ödül, model değerlendiriciden yararlanırsa daha iyi bir görev performansı sağlamaz.
Deney ve maliyet Yinelenen çalıştırmalar, puanlama, değerlendirme, barındırma ve çıkarım için bütçe. Hedef ölçümü iyileştirmeyen denemeleri durdurun.
Model ve hizmet uyumluluğu Eğitimden önce yöntemi, katmanı, sürümü ve dağıtım uygunluğunu onaylayın. Bağdaştırıcı, benzer adlandırılmış temel modeller arasında birbirinin yerine kullanılamaz.
Maintenance Görev verileri değiştikçe veya temel model kullanımdan kaldırılmaya yaklaştığında kaliteyi yeniden değerlendirin. Yeniden eğitme ve yeniden dağıtma gerekli olabilir.
Güvenlik ve yönetişim Veri işlemeyi ve yönetimli güvenlik değerlendirmesini gözden geçirin. Uygulama düzeyinde güvenlik denetimlerini koruyun ve son servis çalışma zamanını değerlendirin.
Etkileşimli çalışma zamanı sorumlulukları Driver'ınızı, ortamlarınızı, tokenleştirmenizi, denetim noktalarınızı ve kurtarma mantığınızı koruyun. Oturum içi örnekleme, üretimde sunum davranışının kanıtı değildir.

Sonraki Adımlar

Eğitim yaklaşımınızın kılavuzuyla başlayın, ardından ince ayarlı modelinizi dağıtın ve değerlendirin.

  • Son güncelleştirme: