Hugging Face's logo

Datasets:
Thorsu
/
miha-training-results

Tags:
miha
reproducibility
cpu
pytorch
evaluation
Dataset card Files
xet
 Community
Dataset Viewer
Duplicate
The dataset viewer is not available for this split.
Cannot load the dataset split (in streaming mode) to extract the first rows.
Error code:   StreamingRowsError
Exception:    CastError
Message:      Couldn't cast
protocol: string
date: timestamp[s]
job_id: string
provider_state: string
trained: bool
public_model_uploaded: bool
public_model_readback_sha256: string
adapter_bytes: int64
optimizer_steps: int64
input_examples: int64
base_summary: struct<allowed_source_compliance: int64, answer_exact: int64, cases: int64, claim_f1: int64, dead_en (... 129 chars omitted)
  child 0, allowed_source_compliance: int64
  child 1, answer_exact: int64
  child 2, cases: int64
  child 3, claim_f1: int64
  child 4, dead_end_exact: int64
  child 5, evidence_f1: int64
  child 6, forbidden_source_compliance: int64
  child 7, parse_fail: int64
  child 8, required_path_f1: int64
  child 9, score: int64
adapted_summary: struct<allowed_source_compliance: double, answer_exact: double, cases: int64, claim_f1: double, dead (... 136 chars omitted)
  child 0, allowed_source_compliance: double
  child 1, answer_exact: double
  child 2, cases: int64
  child 3, claim_f1: double
  child 4, dead_end_exact: double
  child 5, evidence_f1: double
  child 6, forbidden_source_compliance: double
  child 7, parse_fail: int64
  child 8, required_path_f1: int64
  child 9, score: double
quality_gate_passed: bool
threshold: double
regressions: list<item: null>
  child 0, item: null
public_model_url: string
weights_readback_job: string
status: string
baseline: struct<records: list<item: struct<allowed_source_compliance: double, answer_exact: double, claim_f1: (... 441 chars omitted)
  child 0, records: list<item: struct<allowed_s
...
      child 8, required_path_f1: double
      child 9, score: double
passed: bool
candidate: struct<records: list<item: struct<allowed_source_compliance: double, answer_exact: double, claim_f1: (... 441 chars omitted)
  child 0, records: list<item: struct<allowed_source_compliance: double, answer_exact: double, claim_f1: double, dead_en (... 176 chars omitted)
      child 0, item: struct<allowed_source_compliance: double, answer_exact: double, claim_f1: double, dead_end_exact: do (... 164 chars omitted)
          child 0, allowed_source_compliance: double
          child 1, answer_exact: double
          child 2, claim_f1: double
          child 3, dead_end_exact: double
          child 4, evidence_f1: double
          child 5, failure: string
          child 6, forbidden_source_compliance: double
          child 7, id: string
          child 8, parse_ok: bool
          child 9, required_path_f1: double
          child 10, score: double
          child 11, track: string
  child 1, summary: struct<allowed_source_compliance: double, answer_exact: double, cases: int64, claim_f1: double, dead (... 137 chars omitted)
      child 0, allowed_source_compliance: double
      child 1, answer_exact: double
      child 2, cases: int64
      child 3, claim_f1: double
      child 4, dead_end_exact: double
      child 5, evidence_f1: double
      child 6, forbidden_source_compliance: double
      child 7, parse_fail: int64
      child 8, required_path_f1: double
      child 9, score: double
to
{'baseline': {'records': List({'allowed_source_compliance': Value('float64'), 'answer_exact': Value('float64'), 'claim_f1': Value('float64'), 'dead_end_exact': Value('float64'), 'evidence_f1': Value('float64'), 'failure': Value('string'), 'forbidden_source_compliance': Value('float64'), 'id': Value('string'), 'parse_ok': Value('bool'), 'required_path_f1': Value('float64'), 'score': Value('float64'), 'track': Value('string')}), 'summary': {'allowed_source_compliance': Value('float64'), 'answer_exact': Value('float64'), 'cases': Value('int64'), 'claim_f1': Value('float64'), 'dead_end_exact': Value('float64'), 'evidence_f1': Value('float64'), 'forbidden_source_compliance': Value('float64'), 'parse_fail': Value('int64'), 'required_path_f1': Value('float64'), 'score': Value('float64')}}, 'candidate': {'records': List({'allowed_source_compliance': Value('float64'), 'answer_exact': Value('float64'), 'claim_f1': Value('float64'), 'dead_end_exact': Value('float64'), 'evidence_f1': Value('float64'), 'failure': Value('string'), 'forbidden_source_compliance': Value('float64'), 'id': Value('string'), 'parse_ok': Value('bool'), 'required_path_f1': Value('float64'), 'score': Value('float64'), 'track': Value('string')}), 'summary': {'allowed_source_compliance': Value('float64'), 'answer_exact': Value('float64'), 'cases': Value('int64'), 'claim_f1': Value('float64'), 'dead_end_exact': Value('float64'), 'evidence_f1': Value('float64'), 'forbidden_source_compliance': Value('float64'), 'parse_fail': Value('int64'), 'required_path_f1': Value('float64'), 'score': Value('float64')}}, 'passed': Value('bool'), 'regressions': List(Value('null'))}
because column names don't match
Traceback:    Traceback (most recent call last):
                File "/src/services/worker/src/worker/utils.py", line 149, in get_rows_or_raise
                  return get_rows(
                      dataset=dataset,
                  ...<4 lines>...
                      column_names=column_names,
                  )
                File "/src/libs/libcommon/src/libcommon/utils.py", line 272, in decorator
                  return func(*args, **kwargs)
                File "/src/services/worker/src/worker/utils.py", line 129, in get_rows
                  rows_plus_one = list(itertools.islice(safe_iter(ds, dataset=dataset), rows_max_number + 1))
                File "/src/services/worker/src/worker/utils.py", line 544, in safe_iter
                  yield from ds.decode(False) if ds.features else ds
                File "/usr/local/lib/python3.14/site-packages/datasets/iterable_dataset.py", line 3052, in __iter__
                  for key, example in ex_iterable:
                                      ^^^^^^^^^^^
                File "/usr/local/lib/python3.14/site-packages/datasets/iterable_dataset.py", line 2559, in __iter__
                  for key, pa_table in self._iter_arrow():
                                       ~~~~~~~~~~~~~~~~^^
                File "/usr/local/lib/python3.14/site-packages/datasets/iterable_dataset.py", line 2584, in _iter_arrow
                  for key, pa_table in self.ex_iterable._iter_arrow():
                                       ~~~~~~~~~~~~~~~~~~~~~~~~~~~~^^
                File "/usr/local/lib/python3.14/site-packages/datasets/iterable_dataset.py", line 558, in _iter_arrow
                  for key, pa_table in iterator:
                                       ^^^^^^^^
                File "/usr/local/lib/python3.14/site-packages/datasets/iterable_dataset.py", line 440, in _iter_arrow
                  for key, pa_table in self.generate_tables_fn(**gen_kwags):
                                       ~~~~~~~~~~~~~~~~~~~~~~~^^^^^^^^^^^^^
                File "/usr/local/lib/python3.14/site-packages/datasets/packaged_modules/json/json.py", line 361, in _generate_tables
                  self._cast_table(pa_table, json_field_paths=json_field_paths),
                  ~~~~~~~~~~~~~~~~^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
                File "/usr/local/lib/python3.14/site-packages/datasets/packaged_modules/json/json.py", line 132, in _cast_table
                  pa_table = table_cast(pa_table, self.info.features.arrow_schema)
                File "/usr/local/lib/python3.14/site-packages/datasets/table.py", line 2381, in table_cast
                  return cast_table_to_schema(table, schema)
                File "/usr/local/lib/python3.14/site-packages/datasets/table.py", line 2309, in cast_table_to_schema
                  raise CastError(
                  ...<3 lines>...
                  )
              datasets.table.CastError: Couldn't cast
              protocol: string
              date: timestamp[s]
              job_id: string
              provider_state: string
              trained: bool
              public_model_uploaded: bool
              public_model_readback_sha256: string
              adapter_bytes: int64
              optimizer_steps: int64
              input_examples: int64
              base_summary: struct<allowed_source_compliance: int64, answer_exact: int64, cases: int64, claim_f1: int64, dead_en (... 129 chars omitted)
                child 0, allowed_source_compliance: int64
                child 1, answer_exact: int64
                child 2, cases: int64
                child 3, claim_f1: int64
                child 4, dead_end_exact: int64
                child 5, evidence_f1: int64
                child 6, forbidden_source_compliance: int64
                child 7, parse_fail: int64
                child 8, required_path_f1: int64
                child 9, score: int64
              adapted_summary: struct<allowed_source_compliance: double, answer_exact: double, cases: int64, claim_f1: double, dead (... 136 chars omitted)
                child 0, allowed_source_compliance: double
                child 1, answer_exact: double
                child 2, cases: int64
                child 3, claim_f1: double
                child 4, dead_end_exact: double
                child 5, evidence_f1: double
                child 6, forbidden_source_compliance: double
                child 7, parse_fail: int64
                child 8, required_path_f1: int64
                child 9, score: double
              quality_gate_passed: bool
              threshold: double
              regressions: list<item: null>
                child 0, item: null
              public_model_url: string
              weights_readback_job: string
              status: string
              baseline: struct<records: list<item: struct<allowed_source_compliance: double, answer_exact: double, claim_f1: (... 441 chars omitted)
                child 0, records: list<item: struct<allowed_s
              ...
                    child 8, required_path_f1: double
                    child 9, score: double
              passed: bool
              candidate: struct<records: list<item: struct<allowed_source_compliance: double, answer_exact: double, claim_f1: (... 441 chars omitted)
                child 0, records: list<item: struct<allowed_source_compliance: double, answer_exact: double, claim_f1: double, dead_en (... 176 chars omitted)
                    child 0, item: struct<allowed_source_compliance: double, answer_exact: double, claim_f1: double, dead_end_exact: do (... 164 chars omitted)
                        child 0, allowed_source_compliance: double
                        child 1, answer_exact: double
                        child 2, claim_f1: double
                        child 3, dead_end_exact: double
                        child 4, evidence_f1: double
                        child 5, failure: string
                        child 6, forbidden_source_compliance: double
                        child 7, id: string
                        child 8, parse_ok: bool
                        child 9, required_path_f1: double
                        child 10, score: double
                        child 11, track: string
                child 1, summary: struct<allowed_source_compliance: double, answer_exact: double, cases: int64, claim_f1: double, dead (... 137 chars omitted)
                    child 0, allowed_source_compliance: double
                    child 1, answer_exact: double
                    child 2, cases: int64
                    child 3, claim_f1: double
                    child 4, dead_end_exact: double
                    child 5, evidence_f1: double
                    child 6, forbidden_source_compliance: double
                    child 7, parse_fail: int64
                    child 8, required_path_f1: double
                    child 9, score: double
              to
              {'baseline': {'records': List({'allowed_source_compliance': Value('float64'), 'answer_exact': Value('float64'), 'claim_f1': Value('float64'), 'dead_end_exact': Value('float64'), 'evidence_f1': Value('float64'), 'failure': Value('string'), 'forbidden_source_compliance': Value('float64'), 'id': Value('string'), 'parse_ok': Value('bool'), 'required_path_f1': Value('float64'), 'score': Value('float64'), 'track': Value('string')}), 'summary': {'allowed_source_compliance': Value('float64'), 'answer_exact': Value('float64'), 'cases': Value('int64'), 'claim_f1': Value('float64'), 'dead_end_exact': Value('float64'), 'evidence_f1': Value('float64'), 'forbidden_source_compliance': Value('float64'), 'parse_fail': Value('int64'), 'required_path_f1': Value('float64'), 'score': Value('float64')}}, 'candidate': {'records': List({'allowed_source_compliance': Value('float64'), 'answer_exact': Value('float64'), 'claim_f1': Value('float64'), 'dead_end_exact': Value('float64'), 'evidence_f1': Value('float64'), 'failure': Value('string'), 'forbidden_source_compliance': Value('float64'), 'id': Value('string'), 'parse_ok': Value('bool'), 'required_path_f1': Value('float64'), 'score': Value('float64'), 'track': Value('string')}), 'summary': {'allowed_source_compliance': Value('float64'), 'answer_exact': Value('float64'), 'cases': Value('int64'), 'claim_f1': Value('float64'), 'dead_end_exact': Value('float64'), 'evidence_f1': Value('float64'), 'forbidden_source_compliance': Value('float64'), 'parse_fail': Value('int64'), 'required_path_f1': Value('float64'), 'score': Value('float64')}}, 'passed': Value('bool'), 'regressions': List(Value('null'))}
              because column names don't match

Need help to make the dataset viewer work? Make sure to review how to configure the dataset viewer, and open a discussion for direct support.

MIHA: von überprüfbarer Evidence zum messbaren Modell

Kontrollierter Datenprojektionsvergleich · abgeschlossen · Qualitätsgate NICHT BESTANDEN

Thomas Markgraf / OuroborosCollective · echte A100-Messungen, anonym rückgelesen und aus Rohantworten nachgerechnet. HF-Job · Ergebnisbericht · Unabhängiger Readback · Vorab registrierter Versuchsplan.

Gemessener Vergleich beider Datenprojektionen

Unveränderter historischer Benchmark, 20 Fälle Kontrolle Neue Projektion
Gesamtscore 0.4177 0.4920
Antwort exakt 0.2500 0.1000
Evidence-F1 0.6667 0.8000
Claim-ID-F1 0.1000 0.0000
Deklarierte Pfad-Labels (historischer Required-Path-F1) 0.0000 0.8000
Erlaubte Quellen eingehalten 0.8000 0.9000
Verbotene Quellen vermieden 0.8000 0.9000
Parsefehler 4/20 2/20
Getrennte Entwicklung, gleiche 48 Generierungsfälle Kontrolle Neue Projektion
Antwort exakt 0.1875 0.3750
Claim-Inhalt-F1 0.1250 0.3750
Quellen-F1 0.2083 0.8542
Bereitgestellte Anker-F1 0.2083 0.8542
Status exakt 0.1875 0.5208
Assistant-Loss auf allen 406 Entwicklungsbeispielen 0.9662 0.4035
Strikte Parse-/Vertragsfehler 35/48 1/48

Qualitätsgate: NICHT BESTANDEN. Vorgeschrieben: historischer Gesamtscore mindestens 0,75, keine Parsefehler im Benchmark und der ausgewählten Entwicklungsstichprobe, volle Quellen-Compliance und keine vorab definierten Regressionen gegenüber der Kontrolle. Gemessene Benchmark-Regressionen: answer_exact. Beide Adapter bleiben eigene öffentliche Forschungszweige; Modell-main wurde nicht aktualisiert.

Konkrete Fragen bleiben der Schwachpunkt: In beiden Armen 0/10 exakte Knotenantworten und 0/4 exakte strukturierte QA-Antworten. Der Anstieg der gesamten Entwicklungs-Answer-Exact-Rate wird von anderen Aufgaben getragen. Exakter Wortlaut ist kein semantischer Richter; drei dokumentierte qualitative Stichproben zeigen allerdings auch echte Mengen-/Jahres-/Aussagefehler trotz gültigem Quellenvertrag. Aufgabenfamilien · Qualitative Fehlerbelege. Kein Entwicklungsgold wird daraus ins Training übernommen.

Kontrolle und Projektion wurden jeweils auf 1.624 identischen Trainingsbeispiel-IDs mit 406 Updates vom selben frischen Qwen2.5-0.5B-Basismodell trainiert. Initiale Adaptertensoren sind hashgleich. BF16-/LoRA-Setting, Seed und Optimizer gleich; kein Resume. Frühere MIHA-Adapter wurden ausgeschlossen, weil sie die früheren Entwicklungsrecords bereits gesehen haben. Dieser frische A/B ist deshalb kein direkter Vergleich mit dem älteren mehrphasig trainierten Adapter.

2.030 Gesamtbeispiele aus 70 zugelassenen Records, drei Einträge quarantänisiert; alle bisherigen 1.865 Originalbeispiele bytegleich bewahrt. 406 Entwicklungsbeispiele bleiben nach Forschungsfall und Quellenfingerabdrücken getrennt. Die neue versionierte Projektion repariert 24 fehlende QA-Antwortclaims und wandelt 558 positive Knoten in konkrete Fragen um. checked_spaces bezeichnet ausschließlich bereitgestellte Snapshot-Quellenanker, keine neue Webrecherche. Checkpoints erhalten keine erfundenen Besuchsbelege. Geprüfte Experimentdateien. Nur projection/train gehört in diesen Trainingssplit; projection/dev ist Entwicklung, projection/full eine vollständige Archivprojektion.

18 Tests lokal und erneut auf HF bestanden. Vollständiger Canonical-/Viewer-Neuaufbau, Tokenmasken, RAM-/A100-Gate, längster Trainings-Backward (Kontrolle 7.036 / Projektion 7.090 Tokens), jeweils 336 finite Gradienttensoren, Loss-Gleichheit und bytegleicher Adapter-/Logit-Reload bestanden. Keine Kürzung. Reine Trainer-Zeiten: Kontrolle 381.9362 s; Projektion 385.2387 s. Programmzeit 1455.486 s; Joblimit 3.914 s für beide Arme zusammen. Dies sind Runtime-Nachweise, keine behauptete Abrechnung.

Kontrolladapter · Projektionsadapter · Rohantworten und Fallmetriken · Claim-ID-Audit.

Pfad-Audit: Der historische Parser zählt auch missing_evidence.space als besucht. Der Anstieg des Pfad-Label-F1 von 0,00 auf 0,80 ist kein Nachweis externer Webbesuche. In diesem Lauf wurde kein Lückenfeld als Besuch gutgeschrieben; die deklarierten Raumnamen sind in den bereitgestellten statischen Quellenfeldern enthalten. Externe Besuchsreceipts liegen nicht vor. Die nominelle Gesamtscore-Zunahme wird durch diesen Pfadanteil getragen: ohne den Pfadbeitrag, unverändert und ohne Neugewichtung gerechnet, 0,4177 gegen 0,4120. Das ist ein zusätzlicher nachträglicher Audit, keine Ersetzung der historischen Metrik. Pfad-Provenance-Audit.

Grenzen: ein Seed, kleine Generierungsstichprobe und ein bereits mehrfach benutzter historischer Benchmark. Dieser Benchmark ist eine adaptive Diagnose, kein neuer unabhängiger Abschlusstest. Seine exakte Claim-ID-Metrik bleibt unverändert; die zusätzliche Entwicklungsmetrik vergleicht normalisierte Aussagen, Status und Quellen-IDs exakt, ohne semantischen Richter. Sie ist invariant gegen andere Nicht-Antwort-Claim-IDs. Keine allgemeine Zuverlässigkeits- oder ARE-Renderer-Beschleunigungsbehauptung. Spätere Evidence-Revisionen gehören in den nächsten Lauf.

A100-Lauf · 19. Oktober 2026 · abgeschlossen, Qualitätsziel noch offen

1.865 Beispiele · 467/467 Optimierungsschritte · alle Runtime-Gates bestanden. HF-Job COMPLETED · Vollständiger Ergebnisbericht · Neue öffentliche Modellversion.

Holdout-Metrik (dieselben 20 Fälle) Vorheriger MIHA-Adapter Aktueller MIHA-Adapter
Gesamtscore 0,330 0,4953
Nicht parsebare Antworten 2/20 0/20
Exakte Antworten 0,15 0,30
Evidence-F1 0,35 0,7333
Claim-F1 0,05 0,10
Required-Path-F1 0,00 0,00
Quellen-Compliance 0,90 1,00

Qualitätsgate nicht bestanden: 0,4953 liegt unter dem vorgeschriebenen Mindestscore 0,75. Keine Regression der geprüften Metriken gegenüber dem vorherigen Adapter; dennoch EXPERIMENTAL / NOT PRODUCTION READY. Die kleine 20-Fälle-Auswertung belegt keine allgemeine Zuverlässigkeit. Das bisherige main-Modell bleibt als Vergleichsversion erhalten; die neue Version ist auf einem eigenen öffentlichen Snapshot veröffentlicht.

Reine Trainer-Zeit: 519,641 s (8:39,641). Programm einschließlich Gates, Auswertung und Publikation: 693,410 s. Provider-Job vom Anfordern bis Ende einschließlich Warteschlange/Start: 960,850 s (16:00,850). Das vorgegebene Limit 3.914 s (1:05:14) wurde eingehalten. Dies sind Laufzeitbelege, keine Abrechnung billbarer GPU-Minuten.

Runtime: A100 80 GB, BF16, kompletter Canonical-/Viewer-Neuaufbau und Tokenmasken geprüft, längster Backward 6.971 Tokens, Loss-Vergleich ohne gemessene Abweichung und Reload aller 336 Adaptertensoren samt Logits bytegleich. Öffentliches Adapter-SHA256: 28549803db355b1f6003ca59257cb18d2e0f5e17ac75c92e9acdf799635592ca.

Ausführungsvertrag · Alle Holdout-Ergebnisse.

Ursprünglicher CPU-Zwischenstand

Nachweis Beobachteter Stand
Hugging-Face-Job 6ad0ba775ccb47ba0f7a9600
Provider ERROR (OAuth-Token abgelaufen)
Trainingsphase vorzeitig abgebrochen
Optimierungsschritte 220 / 351 protokolliert; letzter gesicherter Checkpoint 200
Qualitätsgate noch offen
Letzter Readback (UTC) 2026-10-15T18:22:07.351799+00:00

A100-Lauf vom 16. Oktober 2026 — Training abgeschlossen, Ergebnisse öffentlich

GPU: NVIDIA A100-SXM4-80GB · 151 zusätzliche Optimierungsschritte · insgesamt 351/351 · 1.403 Beispiele.

Das öffentliche Modellrepository enthält jetzt die echten LoRA-Modellgewichte. Der GPU-Job wurde mit Status COMPLETED beendet; ein unabhängiger öffentlicher Download bestätigte die SHA-256-Prüfsumme des Adapters.

Holdout-Metrik (20 Fälle) Original-Basismodell MIHA-Adapter
Gesamtscore 0,00 0,33
Nicht parsebare Antworten 20 2
Exakte Antworten 0,00 0,15
Evidence-F1 0,00 0,35
Claim-F1 0,00 0,05
Required-Path-F1 0,00 0,00
Quellen-Compliance 0,00 0,90

Qualitätsgate nicht bestanden: Mindestscore 0,75, keine Parsefehler und vollständige Quellen-Compliance waren vorgeschrieben. Das Modell ist öffentlich und trainiert, aber als EXPERIMENTAL / NOT PRODUCTION READY gekennzeichnet.

Maschinenlesbarer Qualitätsbericht · Alle 20 Testfälle · Öffentlicher Trainings-Bucket

Was die Architektur leistet

  • Ein eingefrorener, SHA-gebundener Snapshot je Lauf; neue Revisionen gehören in den folgenden Lauf.
  • Dynamische, geprüfte Atomic-SFT-Snapshots statt fester Beispielobergrenze; im aktuellen A/B 2.030 Gesamtbeispiele aus 70 zugelassenen Records. Historische Releases bleiben nachweisbar erhalten.
  • Drei beschädigte oder unvollständige Einträge bleiben nachvollziehbar quarantänisiert.
  • Echte CPU-PyTorch-Prüfungen: RAM-Gate, Neuaufbau aus Canonical/Viewer, Assistant-Masken, Loss-Vergleich, längster Backward und Adapter-Reload.
  • Eine volle Epoche mit Qwen2.5-0.5B-Instruct/LoRA; danach Vergleich mit dem Basismodell auf allen 20 getrennten Holdout-Fällen.
  • Ergebnisse werden auch bei fehlgeschlagener Qualität veröffentlicht. Ein grüner Job allein bedeutet keinen Qualitätserfolg.

Metriken und reproduzierbare Belege

Historischer CPU-Bericht · Readback-Receipt

Historische CPU-Loss-Kurve · Loss-Messpunkte

Eingefrorener Atomic-Kandidat · Vollständiger bestandener Runtime-Receipt

Das Qualitätsgate verlangt parsebare Antworten, keine Regression der geprüften Metriken gegenüber der Baseline, vollständige Source-Compliance und mindestens 0,75 Gesamtscore. Tatsächliche Ergebnisse stehen im JSON; während des laufenden Jobs fehlen abgeschlossene Scores bewusst.

Projekt und Attribution

MIHA Evidence · MIHA Space · Holdout · Gepinnter Trainer · ARE SoftwareGPU Engine / Architekturkontext

Der ursprüngliche Lauf nutzte Standard-PyTorch auf einer Hugging-Face-CPU; die oben dokumentierten Folgeläufe nutzen eine echte A100-GPU bei Hugging Face. Er belegt die MIHA-Daten- und Trainingspipeline; er misst keine Beschleunigung durch den ARE-Renderer. Trainings-Loss und Holdout-Qualität werden getrennt berichtet. Kein automatischer Neustart oder Resume.

Veröffentlicht werden überprüfte Zahlen, Provenance und Prüfergebnisse. Der ursprüngliche CPU-Berichts-Publisher übertrug keine Modellgewichte oder Optimizer-Checkpoints; die nachfolgenden A100-Trainingsjobs veröffentlichen separat gekennzeichnete LoRA-Forschungsadapter und sichern ihre Checkpoints im öffentlichen Trainings-Bucket. Quellmaterial behält seine ursprünglichen Lizenzbedingungen; dieses Repository erteilt keine zusätzlichen Rechte an fremden Quellen.
Downloads last month
681
Total file size:
1.08 MB