💭 в уме · писать не нужно
У тебя уже есть задача, разложенная по циклу, пройденная лестница «промпт → контекст → агенты» и план оценки. Не хватает одного — собственного прогона.
Представь вечер, после которого ты своими руками сдвинул веса модели. Без платного облака, на бесплатной видеокарте в браузере или на своём железе.
Что ты хочешь увидеть в сравнении «до» и «после», чтобы поверить, что это сработало?
💭 в уме · писать не нужно
Держи этот ответ в голове — это твой критерий успеха, и он должен появиться до прогона, а не после.
Заметь ещё одно. Весь курс ты строил суверенный стек: свои инструменты, свой контекст, свои агенты. Малая модель, дообученная на своих данных, — следующий шаг того же пути.
Прикинь, какие из твоих примеров ты готов отдать в чужое облако, а какие — нет.
Практика собрана по мотивам smol-course от Hugging Face (лицензия Apache-2.0). Здесь — сокращённый пересказ на русском с нашими изменениями, первоисточник всегда главнее.
Одна оговорка. Текущая версия курса строится на более крупной SmolLM3; часть упражнений рассчитана на инфраструктуру Hugging Face. Нам нужна архивная версия v1 в том же репозитории: там упражнения на SmolLM2 с кнопкой запуска в Colab.
v1/1_instruction_tuning/notebooks/sft_finetuning_example.ipynb — SFT на SmolLM2.v1/3_parameter_efficient_finetuning/notebooks — finetune_sft_peft.ipynb (LoRA) и load_lora_adapter.ipynb (как загрузить адаптер).v1/4_evaluation — как устроена оценка.Теорию по трансформерам и библиотекам глубже даёт LLM Course Hugging Face (репозиторий huggingface/course, Apache-2.0).
Для тех, кто хочет понять, как обучают модели с нуля, у Hugging Face есть The Smol Training Playbook. Лицензия у него не указана, поэтому мы только ссылаемся на него и не пересказываем.