Unsloth

Unsloth es un marco de ajuste fino y refuerzo que acelera el entrenamiento y reduce el uso de memoria para modelos de lenguaje de gran escala. Admite entrenamiento con precisión de 4 bits, 8 bits y 16 bits mediante kernels personalizados de RoPE y Triton. Unsloth funciona con las familias de modelos Llama, Mistral, Gemma, Qwen y otras.

from datasets import load_dataset
from transformers import TrainingArguments
from unsloth import FastLanguageModel
from unsloth.trainer import UnslothTrainer

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name="unsloth/Llama-3.2-1B-Instruct",
    max_seq_length=2048,
    load_in_4bit=True,
)

model = FastLanguageModel.get_peft_model(
    model,
    r=16,
    lora_alpha=16,
    target_modules=["q_proj", "k_proj", "v_proj", "o_proj", "gate_proj", "up_proj", "down_proj"],
)

dataset = load_dataset("trl-lib/Capybara", split="train[:500]")
dataset = dataset.map(lambda x: {"text": x["conversations"][0]["value"]})

trainer = UnslothTrainer(
    model=model,
    tokenizer=tokenizer,
    train_dataset=dataset,
    dataset_text_field="text",
    max_seq_length=2048,
    args=TrainingArguments(
        output_dir="outputs",
        per_device_train_batch_size=2,
        num_train_epochs=1,
    ),
)

trainer.train()

Integración con Transformers

Unsloth envuelve las API de Transformers y parchea los métodos internos para mejorar la velocidad.

FastLanguageModel.from_pretrained carga la configuración con AutoConfig.from_pretrained(). A continuación, carga un modelo base con AutoModelForCausalLM.from_pretrained(). Antes de cargar, Unsloth modifica las clases de atención, capa decodificadora y embebido rotatorio dentro de un modelo de Transformers.
UnslothTrainer extiende SFTTrainer de TRL. Unsloth parchea compute_loss() y training_step() para corregir la acumulación de gradientes en versiones anteriores de Transformers.

Recursos

Documentación de Unsloth
artículo de blog Acelera el fine-tuning de LLMs 2x con Unsloth y TRL

Update on GitHub