2pm.spaceFine-tune model trên
chính hội thoại của bạn
Đánh giá câu trả lời của agent trong hộp thư và sửa những câu chưa ổn, tinh chỉnh một model open-weight trên các cặp đó, rồi cho agent dùng kết quả — để giọng điệu bạn cứ phải giải thích đi giải thích lại trong prompt nằm luôn trong trọng số của model.
Dataset, huấn luyện, agent
Ba bước, tất cả diễn ra ngay trong workspace mà model sẽ làm việc.
Dựng dataset
Chọn dataset huấn luyện trong một cuộc hội thoại ở hộp thư, rồi 👍 những câu trả lời của AI đáng giữ và cải thiện những câu chưa ổn. Mỗi cặp đều chờ bạn Đưa vào hoặc Loại bỏ trước khi có gì được gửi đi huấn luyện.
Chọn model gốc và huấn luyện
Chọn một model gốc open-weight, xem chi phí ước tính khi dataset đã được xuất, giữ siêu tham số mặc định hoặc chỉnh lại, rồi bắt đầu lượt chạy.
Cho agent dùng
Adapter huấn luyện xong xuất hiện trong ô Mô hình của agent, mục My Adapters. Cho một agent dùng nó, chạy lại tin nhắn thật của khách với agent đó bằng “Run with…” trong hộp thư, và giữ lại lựa chọn trả lời tốt hơn.
Dựng dataset
Chọn dataset huấn luyện trong một cuộc hội thoại ở hộp thư, rồi 👍 những câu trả lời của AI đáng giữ và cải thiện những câu chưa ổn. Mỗi cặp đều chờ bạn Đưa vào hoặc Loại bỏ trước khi có gì được gửi đi huấn luyện.
Chọn model gốc và huấn luyện
Chọn một model gốc open-weight, xem chi phí ước tính khi dataset đã được xuất, giữ siêu tham số mặc định hoặc chỉnh lại, rồi bắt đầu lượt chạy.
Cho agent dùng
Adapter huấn luyện xong xuất hiện trong ô Mô hình của agent, mục My Adapters. Cho một agent dùng nó, chạy lại tin nhắn thật của khách với agent đó bằng “Run with…” trong hộp thư, và giữ lại lựa chọn trả lời tốt hơn.
Fine-tuning mà không cần hạ tầng riêng
Không console của nhà cung cấp, không đặt trước tài nguyên, không hợp đồng — dùng chung số dư credit như mọi thứ khác.
Huấn luyện trên những câu trả lời bạn đã duyệt
Các cặp huấn luyện đến từ hộp thư của bạn: câu trả lời của AI bạn đã 👍, bản chỉnh bạn viết khi một câu trả lời chưa ổn, các episode điểm cao từ bộ nhớ của agent, và các cặp hỏi–đáp bạn tự thêm — thay vì những ví dụ bịa ra cho model bắt chước.
Model nhỏ hơn mà vẫn đúng ý
Khi giọng điệu và từ vựng đã nằm trong trọng số, chúng thôi tốn token prompt ở mỗi lượt gọi — thường nghĩa là một model nhỏ hơn, nhanh hơn làm được việc trước đây cần model lớn.
Có ước tính trước khi bắt đầu
Khi dataset đã được xuất, hộp thoại huấn luyện hiện chi phí ước tính và số token huấn luyện trước khi chạy. Lượt chạy được tính phí khi hoàn tất, trừ vào cùng số dư credit như mọi thứ khác — không hợp đồng riêng, không đặt trước tài nguyên.
Chỉ là một lựa chọn, không phải một cuộc chuyển đổi
Adapter hoàn thành xuất hiện như một model mà agent có thể chọn, bên cạnh các nhà cung cấp hosted. Cho một agent dùng nó, so sánh, và giữ lại cái trả lời tốt hơn.
Tác vụ theo dõi được
Dataset, lượt huấn luyện và adapter hoàn thành đều có danh sách riêng, hiện rõ trạng thái, model gốc và chi phí của từng lượt chạy thay vì bị chôn trong console của nhà cung cấp.
Phân quyền riêng
Dữ liệu huấn luyện được tạo từ hội thoại thật của khách hàng, nên toàn bộ phần này có quyền truy cập riêng — kể cả danh sách hội thoại ứng viên — tách biệt với phần còn lại của workspace.
Quy trình hỗ trợ những gì
Từ những cuộc hội thoại được đưa vào đến adapter mà agent của bạn gọi.
Dataset
- Dựng từ các câu trả lời của AI được đánh giá và sửa trong hộp thư
- Mọi cặp đề xuất đều chờ Đưa vào hoặc Loại bỏ trước khi xuất
- Trang chi tiết dataset cho thấy dữ liệu sẽ được huấn luyện
- Dùng lại được cho nhiều lượt huấn luyện
Model gốc
- Các họ open-weight: Llama, Qwen, Mistral và Mixtral
- Các bản distill DeepSeek R1 và gpt-oss
- Hiện số tham số của từng model
- Chi phí ước tính hiện khi dataset đã được xuất
- Danh sách chọn lọc các model gốc mà nhà cung cấp huấn luyện hỗ trợ tinh chỉnh
Lượt huấn luyện
- Adapter LoRA, với giá trị mặc định hợp lý cho mọi siêu tham số
- Trạng thái và lịch sử tác vụ cho từng lượt
- Chi phí được ghi nhận theo từng lượt chạy
- Lỗi được báo rõ, không âm thầm thử lại mãi
Triển khai
- Adapter xuất hiện như một nhà cung cấp model trong ô chọn model của agent
- Tính theo giá suy luận của model gốc, nhân với hệ số premium của adapter
- Agent nào trong workspace cũng dùng được
- Đổi được theo từng agent, từng node
Kiểm soát
- Khoá phân quyền riêng, huấn luyện là một thao tác tách biệt
- Hội thoại ứng viên được bảo vệ bằng cùng khoá đó
- Số điện thoại và email được xoá trước khi file JSONL được tải lên nhà cung cấp huấn luyện Together AI
- Không gộp chung, cũng không dùng để huấn luyện bất cứ thứ gì khác
Chi phí
- Cùng số dư credit với phần còn lại của nền tảng
- Không thuê bao, không tính phí theo đầu người
- Ước tính trước khi chạy, tính phí theo chi phí thực sau khi xong
Model đã tinh chỉnh thay đổi điều gì
Chi phí và sự thiếu nhất quán thực ra đi đâu.
System prompt 2.000 token giải thích lại giọng điệu của bạn ở từng lượt gọi
Giọng điệu và từ vựng nằm trong trọng số, chỉ trả tiền một lần
Phải dùng model lớn nhất vì model nhỏ không giữ được đúng chất thương hiệu
Một model nhỏ đã tinh chỉnh và đúng ý, với chi phí mỗi lượt gọi chỉ bằng một phần nhỏ
Tự viết ví dụ huấn luyện giả lập cho một lĩnh vực mà bạn vốn đã có sẵn bản ghi hội thoại
Dataset dựng từ những câu trả lời của AI bạn đã đánh giá và sửa
Huấn luyện trong console của nhà cung cấp, tách rời khỏi nơi model được dùng
Dataset, lượt huấn luyện và adapter đang chạy nằm cùng workspace với agent
Câu hỏi về fine-tuning
Những điều các đội kiểm tra trước khi huấn luyện trên hội thoại của khách hàng.
Prompt bảo model phải làm gì; fine-tune dạy nó cách bạn làm. Khi giọng điệu, từ vựng sản phẩm và hình mẫu của một câu trả lời tốt đã nằm trong trọng số, bạn thôi phải trả tiền cho chúng ở mỗi prompt — thường nghĩa là một model nhỏ hơn, rẻ hơn, nhanh hơn làm được việc trước đây cần model lớn.
Từ hộp thư của bạn. Chọn dataset huấn luyện trong phần cài đặt của một cuộc hội thoại, rồi đánh giá các câu trả lời của agent — câu nào được 👍 sẽ thành ứng viên — và dùng Cải thiện để viết lại câu trả lời lẽ ra phải như thế nào; bản chỉnh đó cũng thành một cặp huấn luyện. Các episode được bộ nhớ của agent chấm từ 8/10 trở lên có thể tự động đưa vào, và bạn có thể tự thêm các cặp hỏi–đáp. Câu trả lời do đội của bạn tự viết không được thu thập. Mỗi cặp đều chờ bạn Đưa vào trước khi được xuất, và vì đó là tin nhắn thật của khách, toàn bộ phần này có quyền truy cập riêng, tách khỏi phần còn lại của workspace.
Chỉ model open-weight, vì model host sẵn như Claude hay GPT không thể tinh chỉnh bằng LoRA. Danh sách là tập chọn lọc các model mà nhà cung cấp huấn luyện hỗ trợ — Llama, Qwen, Mistral, Mixtral, các bản distill DeepSeek R1 và gpt-oss, từ 1B đến 120B tham số — mỗi model hiện kèm số tham số.
Huấn luyện tính theo mỗi triệu token với đơn giá của model gốc, kèm mức tối thiểu cho mỗi lượt của nhà cung cấp, và hộp thoại huấn luyện hiện chi phí ước tính khi dataset đã được xuất. Lượt chạy được tính phí khi hoàn tất, trừ vào cùng số dư credit như mọi thứ khác. Sau khi huấn luyện, adapter được tính theo giá suy luận của model gốc nhân với hệ số premium của adapter. Không có thuê bao và không tính phí theo đầu người — xem trang bảng giá để biết cách tính phí theo mức sử dụng.
Nó xuất hiện trong ô Mô hình của agent, mục My Adapters, cạnh các nhà cung cấp host sẵn. Cho một agent dùng nó, chạy lại tin nhắn thật của khách bằng “Run with…” trong hộp thư, và giữ lại lựa chọn trả lời tốt hơn — đổi model chỉ là một lựa chọn trong danh sách, không phải một cuộc di chuyển.
Không. Dataset dựng trong workspace của bạn huấn luyện một adapter thuộc về workspace của bạn, và nền tảng không gộp chung hay chia sẻ nó với workspace khác. Để huấn luyện, file JSONL đã xuất — đã xoá số điện thoại và email — được tải lên nhà cung cấp huấn luyện Together AI, nơi chạy lượt tinh chỉnh và phục vụ adapter mà agent của bạn gọi tới.
Huấn luyện một model nói chuyện giống hệt bạn
Dựng dataset từ những câu trả lời agent của bạn đã đưa ra. Bắt đầu miễn phí — lượt huấn luyện được trừ vào số dư credit khi hoàn tất.