Sensitive content

This media may contain sensitive content.

Загрузка видео...

Не удалось загрузить видео

На главную

Ax愿望单 S2-72 直臂盘腿缚 片源:#Notfound 模特:#Notfound #bondage #紧缚

Aizifudeax's profile picture

Ax的紧缚研究

84,138 subscribers

127,724 просмотров • 1 год назад •via X (Twitter)

NSFW#Notfound#Notfound#bondage#紧缚
LIVE

Anya Rossi• Live Now

Private livecam show

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

凝望那深渊 缚影·即兴演示 03/100 模特 腿腿 #绳缚 #梁月的绳缚艺术
0:34

凝望那深渊 缚影·即兴演示 03/100 模特 腿腿 #绳缚 #梁月的绳缚艺术

梁月

16,183 просмотров • 1 год назад

4000粉福利吧~（炒冷饭~）~ 直臂并肘➕M字腿驷马挣扎视频（挣扎不了一点，太难动了）献上。望各位喜欢~ #直臂 #驷马 #紧缚 #挣扎 #CDM #男娘 #黑丝 #厚黑
1:12

Sensitive content

4000粉福利吧~（炒冷饭~）~ 直臂并肘➕M字腿驷马挣扎视频（挣扎不了一点，太难动了）献上。望各位喜欢~ #直臂 #驷马 #紧缚 #挣扎 #CDM #男娘 #黑丝 #厚黑

砕月

25,372 просмотров • 2 лет назад

整理了象人工作室这支纯享片段，重点是后高手和极限驷马的持续受缚状态。镜头节奏比较直接，能看到手臂、腿部被拉开后的紧绷感和地面束缚里的挣扎反应。
1:27

整理了象人工作室这支纯享片段，重点是后高手和极限驷马的持续受缚状态。镜头节奏比较直接，能看到手臂、腿部被拉开后的紧绷感和地面束缚里的挣扎反应。

绳艺室

16,097 просмотров • 2 месяцев назад

扎带紧缚第二期-后并肘股绳椅子放置挠痒挣扎 【精彩片段】 “我不怕痒” “刚刚只是给你面子罢了“ “你给我滚开……” 模特：蓝，缚手:lalala
0:32

Sensitive content

扎带紧缚第二期-后并肘股绳椅子放置挠痒挣扎 【精彩片段】 “我不怕痒” “刚刚只是给你面子罢了“ “你给我滚开……” 模特：蓝，缚手:lalala

蓝

51,333 просмотров • 6 дней назад

难得尝试这种拘束风格。 黑铁脚镣戴在脚上，双臂被麻绳勒紧在身后…kiki真的成了女囚的模样 キキkiki @KIKICUFFS #手铐 #脚镣 #丝袜 #绳缚 #五花大绑 #bondage 成年情侣自愿拍摄，剧情向角色扮演
0:53

Sensitive content

难得尝试这种拘束风格。 黑铁脚镣戴在脚上，双臂被麻绳勒紧在身后…kiki真的成了女囚的模样 キキkiki @KIKICUFFS #手铐 #脚镣 #丝袜 #绳缚 #五花大绑 #bondage 成年情侣自愿拍摄，剧情向角色扮演

misokuro

543,906 просмотров • 4 месяцев назад

新家的经典设备之一！吊椅！两个圆环刚好可以把双腿岔开，牢牢固定，分毫都动不了，上半身陷入椅子里，紧紧压住手臂，进一步压缩了活动空间，在上面绑了不知道多少人的天师傅，也忍不住想要自缚体验一下了！ #bondage #捆绑 #自缚 #kigurumi
1:28

Sensitive content

新家的经典设备之一！吊椅！两个圆环刚好可以把双腿岔开，牢牢固定，分毫都动不了，上半身陷入椅子里，紧紧压住手臂，进一步压缩了活动空间，在上面绑了不知道多少人的天师傅，也忍不住想要自缚体验一下了！ #bondage #捆绑 #自缚 #kigurumi

天天

172,564 просмотров • 2 лет назад

杨若琳户外散步，真空礼服，大腿紧缚，脚绑绳拷，扎带捆手，口球口水模特杨若琳，穿上露背礼服，上身真空，下身裸腿加高跟，大腿被三道绳子紧缚，脚踝绑上绳拷，用长裙遮住出门散步。 视频完整版都在群里面 下面是群链接： #捆绑 #绳艺 #女奴 #调教 #sm
2:12

杨若琳户外散步，真空礼服，大腿紧缚，脚绑绳拷，扎带捆手，口球口水模特杨若琳，穿上露背礼服，上身真空，下身裸腿加高跟，大腿被三道绳子紧缚，脚踝绑上绳拷，用长裙遮住出门散步。 视频完整版都在群里面 下面是群链接： #捆绑 #绳艺 #女奴 #调教 #sm

绳的艺术家

11,244 просмотров • 3 месяцев назад

扎带紧缚系列 第一期 后高手极限海老缚 第二期 股绳后并肘椅子放置挠痒挣扎 第三期 重装直臂驷马，马具口球扎股绳脚趾 第四期 阳台pole strappado 第五期 分腿strappado吊，勒嘴勒头强制抬头 第六期 扎带并腿strappado吊缚，踮脚尖扎脚心挣扎 第七期 扎带极限鸡翅驷马 哭着绑出绝美反弓弧度
0:33

Sensitive content

扎带紧缚系列 第一期 后高手极限海老缚 第二期 股绳后并肘椅子放置挠痒挣扎 第三期 重装直臂驷马，马具口球扎股绳脚趾 第四期 阳台pole strappado 第五期 分腿strappado吊，勒嘴勒头强制抬头 第六期 扎带并腿strappado吊缚，踮脚尖扎脚心挣扎 第七期 扎带极限鸡翅驷马 哭着绑出绝美反弓弧度

蓝

80,982 просмотров • 15 дней назад

#男娘 #sm #捆绑 #紧缚 #白丝 给她蒙上眼给她捆绑放置挣脱，能不能脱出，双手平行放在身后交叉捆绑于腰间，上臂捆两圈然后下臂捆两圈然后腋下收紧，再从后边大臂处单独绕一圈加固，把双腿并在一起膝盖上方紧紧捆住，然后把脚腕也如法炮制，最后再拉一根吊绳把胳膊重心吊着微微抬一下 樱樱
2:12

#男娘 #sm #捆绑 #紧缚 #白丝 给她蒙上眼给她捆绑放置挣脱，能不能脱出，双手平行放在身后交叉捆绑于腰间，上臂捆两圈然后下臂捆两圈然后腋下收紧，再从后边大臂处单独绕一圈加固，把双腿并在一起膝盖上方紧紧捆住，然后把脚腕也如法炮制，最后再拉一根吊绳把胳膊重心吊着微微抬一下 樱樱

夕风小屋

63,444 просмотров • 1 год назад

【腰臀腿缚合集】jc40-蜜桃臀缚 优点:非常引人注目。 可绑得很舒服，也可绑得很紧 缺点:将一个有点笨重的结直接打在下腰椎或尾椎上。 该区域受到压力可能会导致疼痛或受伤–特别是如果是在坚硬的表面
2:19

【腰臀腿缚合集】jc40-蜜桃臀缚 优点:非常引人注目。 可绑得很舒服，也可绑得很紧 缺点:将一个有点笨重的结直接打在下腰椎或尾椎上。 该区域受到压力可能会导致疼痛或受伤–特别是如果是在坚硬的表面

SM 绳艺 捆绑教程

23,406 просмотров • 3 лет назад

基于单向滑轮的一次驷马自缚尝试🥰 本来想把手肘一并捆起来的结果因为柔韧性太差完全套不进绳圈😣，以后要好好练习一下。 感觉从肩膀一直捆到到手腕的直臂好好看🥺 #kigurumi #bondage
2:35

Sensitive content

基于单向滑轮的一次驷马自缚尝试🥰 本来想把手肘一并捆起来的结果因为柔韧性太差完全套不进绳圈😣，以后要好好练习一下。 感觉从肩膀一直捆到到手腕的直臂好好看🥺 #kigurumi #bondage

ayanamiiiiiiiiiii

165,810 просмотров • 2 месяцев назад

整理东西发现几捆杂绳，扔掉前用来简单自缚一下。参考图片中的方法把大臂和身体先固定住，然后用棘轮配合收紧环捆手。结果太贪心了把手拉的太高，根本挣脱不开，最后手都要没知觉了，用剪刀才逃出来。以及我的屁股真的好大啊😖 #自缚
1:41

整理东西发现几捆杂绳，扔掉前用来简单自缚一下。参考图片中的方法把大臂和身体先固定住，然后用棘轮配合收紧环捆手。结果太贪心了把手拉的太高，根本挣脱不开，最后手都要没知觉了，用剪刀才逃出来。以及我的屁股真的好大啊😖 #自缚

kzstbd

14,912 просмотров • 1 год назад

#kigurumi #着ぐるみ #latex #kig #bondage 被乳胶衣紧紧包裹，贴上郊狼，再穿上束缚衣拉紧绑带，直到身体彻底动弹不得。想挣扎，但却连指尖都动不了，直到全身的触感就只剩下紧紧的胶衣。此时单独露出的牛牛敏感度就会无限放大，在北海帝国皇帝 的攻势下，小猪咪连两分钟都没撑住就狠狠地爆射了呢
1:46

#kigurumi #着ぐるみ #latex #kig #bondage 被乳胶衣紧紧包裹，贴上郊狼，再穿上束缚衣拉紧绑带，直到身体彻底动弹不得。想挣扎，但却连指尖都动不了，直到全身的触感就只剩下紧紧的胶衣。此时单独露出的牛牛敏感度就会无限放大，在北海帝国皇帝 的攻势下，小猪咪连两分钟都没撑住就狠狠地爆射了呢

萤

35,592 просмотров • 10 месяцев назад

别再被泛泛而谈的 炒股AI 分析绕晕了。 分享一个开源项目 UZI-Skill（游资技能库）--打破A股、港股、美股市场壁垒的AI投研引擎。 最新版本直接把大家超爱的 Serenity 白毛女神 加入看盘评审团，颜值和实力直接拉满！ 硬核看点，颠覆传统： 【66位大佬辩论室模式】：模拟巴菲特、索罗斯等9大流派的66位AI评审员（含最新Serenity女神），三轮互阅激烈PK，最终用红绿灯给出【安全 / 观望 / 看多】评级，极大减少单一模型偏见。 【分布式多维度解构】 内置22类免费行情数据源（K线缠论、PE Band、供应链矩阵等），自动输出全维度结构化个股报告。 【全大模型兼容，模块化自由】 完美适配Claude 3.5、DeepSeek、Hermes等主流大模型，模块化技能自由搭配，满足你的一切定制化需求。 无论是散户、团队复盘还是量化团队，都可以看看～ 非投资建议，dyor 地址：
0:54

别再被泛泛而谈的 炒股AI 分析绕晕了。 分享一个开源项目 UZI-Skill（游资技能库）--打破A股、港股、美股市场壁垒的AI投研引擎。 最新版本直接把大家超爱的 Serenity 白毛女神 加入看盘评审团，颜值和实力直接拉满！ 硬核看点，颠覆传统： 【66位大佬辩论室模式】：模拟巴菲特、索罗斯等9大流派的66位AI评审员（含最新Serenity女神），三轮互阅激烈PK，最终用红绿灯给出【安全 / 观望 / 看多】评级，极大减少单一模型偏见。 【分布式多维度解构】 内置22类免费行情数据源（K线缠论、PE Band、供应链矩阵等），自动输出全维度结构化个股报告。 【全大模型兼容，模块化自由】 完美适配Claude 3.5、DeepSeek、Hermes等主流大模型，模块化技能自由搭配，满足你的一切定制化需求。 无论是散户、团队复盘还是量化团队，都可以看看～ 非投资建议，dyor 地址：

爱丽丝呀！

66,464 просмотров • 3 месяцев назад

我刚才试了Google Flow最新的智能体模式，一次生成了14张分镜，而且主角居然没长歪。 以前做分镜，我得一张一张抽卡，稍微换个角度人物脸就变了，后期还得单独放大，累得想摔键盘。这次我直接进Agent模式，丢了一张红衣女剑客的参考图，把写好的14段镜头描述贴进去。 它跑完直接甩出一个高清大图列表。每张图的景别都对了，从特写到全景，人物和衣服细节死死咬住参考图。不用我再一张张去对齐风格，直接就能拿去排片。 你们做分镜脚本，是习惯手绘草图，还是直接让AI批量跑图？
1:01

我刚才试了Google Flow最新的智能体模式，一次生成了14张分镜，而且主角居然没长歪。 以前做分镜，我得一张一张抽卡，稍微换个角度人物脸就变了，后期还得单独放大，累得想摔键盘。这次我直接进Agent模式，丢了一张红衣女剑客的参考图，把写好的14段镜头描述贴进去。 它跑完直接甩出一个高清大图列表。每张图的景别都对了，从特写到全景，人物和衣服细节死死咬住参考图。不用我再一张张去对齐风格，直接就能拿去排片。 你们做分镜脚本，是习惯手绘草图，还是直接让AI批量跑图？

Vincent

15,059 просмотров • 4 месяцев назад

🚨 卧槽！开源圈冒出个项目要干翻彭博终端—FinceptTerminal！ GitHub 28K+ stars，C++20 + Qt6 原生开发，启动不到两秒，单文件部署。不是 Electron 套壳，是真的原生性能。Bloomberg 一年两万刀，这个 AGPL-3.0 开源免费。 核心亮点： > 37 个 AI 投资 Agent：巴菲特、芒格、彼得·林奇、格雷厄姆……一键切角色帮你分析 > 100+ 数据源全接：Yahoo Finance、FRED、IMF、World Bank，A 股走 AkShare > 16 家券商打通：IBKR、Alpaca、Zerodha，实盘直接下 > MCP 原生集成，直接接 Claude Code 用 > QuantLib 18 模块：期权定价、随机模型、波动率、固收——CFA 级别工具箱 > 可视化拖拽节点编辑器，不写代码也能搭策略 > 支持 OpenAI、DeepSeek、Gemini、Ollama 本地跑，不绑定任何模型 美股切 Lynch 扫成长股、港股切芒格审逻辑、A 股走 AkShare 拉数据扔给 AI Agent 出报告。Bloomberg 能干的它干七八成——省下的两万刀，够装一台顶配 PC 了
0:45

🚨 卧槽！开源圈冒出个项目要干翻彭博终端—FinceptTerminal！ GitHub 28K+ stars，C++20 + Qt6 原生开发，启动不到两秒，单文件部署。不是 Electron 套壳，是真的原生性能。Bloomberg 一年两万刀，这个 AGPL-3.0 开源免费。 核心亮点： > 37 个 AI 投资 Agent：巴菲特、芒格、彼得·林奇、格雷厄姆……一键切角色帮你分析 > 100+ 数据源全接：Yahoo Finance、FRED、IMF、World Bank，A 股走 AkShare > 16 家券商打通：IBKR、Alpaca、Zerodha，实盘直接下 > MCP 原生集成，直接接 Claude Code 用 > QuantLib 18 模块：期权定价、随机模型、波动率、固收——CFA 级别工具箱 > 可视化拖拽节点编辑器，不写代码也能搭策略 > 支持 OpenAI、DeepSeek、Gemini、Ollama 本地跑，不绑定任何模型 美股切 Lynch 扫成长股、港股切芒格审逻辑、A 股走 AkShare 拉数据扔给 AI Agent 出报告。Bloomberg 能干的它干七八成——省下的两万刀，够装一台顶配 PC 了

爱吃折耳根的Ace

13,037 просмотров • 2 месяцев назад

别再手写回测系统了，这个经典开源量化项目已经帮你造好了 Backtrader 是一个功能非常完整的 Python 量化回测与交易框架，GitHub 上已有 22.6K Star。它的核心目标是让你专注写策略，而不是重复造轮子。 核心特点如下： 1️⃣ 纯 Python 实现，支持多数据源、多周期、多策略同时运行 2️⃣ 内置丰富指标库，并可直接对接 TA-Lib 3️⃣ 支持多种订单类型（市价、限价、止损、追踪止损、OCO、括号单等） 4️⃣ 灵活的佣金、滑点、仓位管理（Sizer）模拟 5️⃣ 内置分析器（夏普、回撤、SQN 等）+ 可视化绘图 6️⃣ 可对接 Interactive Brokers、Oanda 等做实盘/模拟交易 对想快速验证策略逻辑、做系统化回测，或者学习完整量化框架设计的人来说，这个项目依然很值得上手。
1:00

别再手写回测系统了，这个经典开源量化项目已经帮你造好了 Backtrader 是一个功能非常完整的 Python 量化回测与交易框架，GitHub 上已有 22.6K Star。它的核心目标是让你专注写策略，而不是重复造轮子。 核心特点如下： 1️⃣ 纯 Python 实现，支持多数据源、多周期、多策略同时运行 2️⃣ 内置丰富指标库，并可直接对接 TA-Lib 3️⃣ 支持多种订单类型（市价、限价、止损、追踪止损、OCO、括号单等） 4️⃣ 灵活的佣金、滑点、仓位管理（Sizer）模拟 5️⃣ 内置分析器（夏普、回撤、SQN 等）+ 可视化绘图 6️⃣ 可对接 Interactive Brokers、Oanda 等做实盘/模拟交易 对想快速验证策略逻辑、做系统化回测，或者学习完整量化框架设计的人来说，这个项目依然很值得上手。

爱吃折耳根的Ace

17,130 просмотров • 2 месяцев назад

这谁顶得住啊， 日本服装巨头ZOZO， 把他们内部搞服装虚拟试穿的顶级物理引擎 ppf-contact-solver（接触求解器）直接开源了！ 做虚拟时尚、数字服装、 电影特效、甚至游戏物理的， 这波福利直接白嫖顶级工业级工具啊！ 这玩意儿专治 布料（fabric）、绳子、软体各种乱扭乱缠的接触碰撞问题——零穿模（zero penetration，无穿透）， 布料拉伸死死卡住物理极限， 单个场景能硬刚1.8亿个接触点！ 看视频里那窗帘飘、绳子打结、 软玩具堆成一团、布料疯狂扭曲， 全他妈丝滑自然，跟现实里一模一样。 现在直接有： - Blender插件（Blender Plugin，Blender是3D建模软件） - JupyterLab接口（JupyterLab Notebook，交互式编程环境） - GPU加速（GPU Acceleration，利用显卡加速计算），离线高精度拉满。 评论区见地址赶紧试试👇
0:51

这谁顶得住啊， 日本服装巨头ZOZO， 把他们内部搞服装虚拟试穿的顶级物理引擎 ppf-contact-solver（接触求解器）直接开源了！ 做虚拟时尚、数字服装、 电影特效、甚至游戏物理的， 这波福利直接白嫖顶级工业级工具啊！ 这玩意儿专治 布料（fabric）、绳子、软体各种乱扭乱缠的接触碰撞问题——零穿模（zero penetration，无穿透）， 布料拉伸死死卡住物理极限， 单个场景能硬刚1.8亿个接触点！ 看视频里那窗帘飘、绳子打结、 软玩具堆成一团、布料疯狂扭曲， 全他妈丝滑自然，跟现实里一模一样。 现在直接有： - Blender插件（Blender Plugin，Blender是3D建模软件） - JupyterLab接口（JupyterLab Notebook，交互式编程环境） - GPU加速（GPU Acceleration，利用显卡加速计算），离线高精度拉满。 评论区见地址赶紧试试👇

HankAI

65,438 просмотров • 4 месяцев назад

AI的终极瓶颈是什么？ 不是芯片，是电。 谷歌给出的答案，是把数据中心建到太空里。 一个名为“捕日者”的项目，听起来像科幻片。 为什么？ 太空里的太阳能，强度是地球的8倍。 一旦能源不再是束缚，AI算力的成本将被彻底颠覆。 这听起来很宏大，但背后是现实的焦虑。 在地球上，数据中心已经成了耗电巨兽，冲击着各地的电网和民生用电。 把高耗能的产业转移到太空，是解决地球能源危机的方案，还是资本摆脱监管和资源限制的新玩法？ 这是一个值得深思的问题。 他们计划在2027年就把一些TPU送上太空。 这究竟是科技的又一次“登月”壮举，还是一个把问题扫到天上去的昂贵游戏？ 当科技精英们仰望星空时，谁来解决地面上的电费账单？
0:40

AI的终极瓶颈是什么？ 不是芯片，是电。 谷歌给出的答案，是把数据中心建到太空里。 一个名为“捕日者”的项目，听起来像科幻片。 为什么？ 太空里的太阳能，强度是地球的8倍。 一旦能源不再是束缚，AI算力的成本将被彻底颠覆。 这听起来很宏大，但背后是现实的焦虑。 在地球上，数据中心已经成了耗电巨兽，冲击着各地的电网和民生用电。 把高耗能的产业转移到太空，是解决地球能源危机的方案，还是资本摆脱监管和资源限制的新玩法？ 这是一个值得深思的问题。 他们计划在2027年就把一些TPU送上太空。 这究竟是科技的又一次“登月”壮举，还是一个把问题扫到天上去的昂贵游戏？ 当科技精英们仰望星空时，谁来解决地面上的电费账单？

墓碑科技

57,335 просмотров • 10 месяцев назад

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。 基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。 时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法 文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)： 对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集： 准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置： 在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控： 在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择： 通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用： 微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型： 用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)： 在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。
24:14

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。 基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。 时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法 文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)： 对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集： 准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置： 在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控： 在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择： 通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用： 微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型： 用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)： 在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

歸藏(guizang.ai)

61,931 просмотров • 2 лет назад