聽節目（在新分頁開啟原站）連到 Tool Use - AI Conversations
摘要
本訪談介紹了如何透過 Fine-Tuning 來訓練自帶的 AI 影片模型。訪談者 Greg Schoeninger 解釋了從提示工程轉向模型精細調優的時機，特別是在處理視覺領域時，當提示無法解決問題時。他分享了使用 LoRA 進行快速調優與全量精細調優的代價與優勢，並探討了如何構建資料集以實現低成本、高效率的模型訓練。
This interview explores how to fine-tune open-source AI video models for $1, covering the shift from prompt engineering to model training, dataset strategies, and the trade-offs between LoRA and full fine-tuning for achieving consistent character and style in generative video.
重點
- 適合需要高一致性、特定風格或場景的專業使用者。
- 適合想低成本訓練自帶模型或最佳化 GPU 成本的開發者。
- 適合希望掌握 AI 全生命週期流程的技術愛好者。
章節
依話題轉折切分，標題由 AI 產生
- 00:00從上下文工程到模型精調：什麼情況下值得投入？
- 03:38解決時間一致性問題：從提示詞工程到模型精調
- 07:14自動化終端工作流：利用精調加速資料飛輪
- 12:0750 到 100 個樣本：如何高效構建訓練資料集
- 21:42全精調 vs. LoRA：權重更新與插值策略的差異
- 24:16混合專家機制：從語言模型到影片影象模型的應用
- 27:51Quinn 3VL 精調案例：8 億引數模型的精確度提升
- 31:35精調與基線模型的平衡：效能與效率的折衷
- 33:54伺服器無狀態架構：靈活的實驗與部署策略
- 36:05從 Prompt 工程師到精調專家：工作流的分層演進
- 39:34自服務平台：Drag & Drop 與即時模型驗證
提到的工具與公司
- LoRA
- Qwen
- Gemini
- LTX 2
- Claude Code
適合誰看
AI 模型開發者、資料科學家或希望自主訓練 AI 工具的技術人員。
摘要依據
- 講者
- Mike Bird
- 依據
- 節目逐字稿
為什麼排在這裡
- 人氣
- 0.35
- 新鮮
- 0.41
在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算
相關內容
- Insights from Finetuning LLMs with Low-Rank Adaptation影片 ・ Sebastian Raschka ・ 14 分鐘（在新分頁開啟原站）
- All about LoRA影片 ・ Trelis Research ・ 49 分鐘（在新分頁開啟原站）
- Finetuning Open-Source LLMs影片 ・ Sebastian Raschka ・ 20 分鐘（在新分頁開啟原站）
- Cloning Yourself in AI using LoRA - Computerphile影片 ・ Computerphile ・ 14 分鐘（在新分頁開啟原站）
- LoRA: Low-Rank Adaptation of Large Language Models - Explained visually + PyTorch code from scratch影片 ・ Umar Jamil ・ 27 分鐘（在新分頁開啟原站）
- Low Rank Adaptation (LoRA) - How to search for a needle in a much smaller haystack影片 ・ Luis Serrano Academy ・ 33 分鐘（在新分頁開啟原站）
摘要由 AI 根據原文產生，可能有誤；完整內容請看原站。聽節目（在新分頁開啟原站）