トレーニングモデル InstructLab

生成されたデータでモデルを訓練し、モデルをテストして結果を検証する。トレーニングとは何かについてもっと知る

設定情報やファイルは、微調整のためにモデルに渡すことはできません。

前提条件

分類体系を準備する
タクソノミー tar.gz を Object Storage バケツに追加する。 CLI または UIを使用できます。
分類法からデータを生成します。

コンソールを使ったモデルの位置合わせ

InstructLab Projects ページから、プロジェクト > Aligned models > Alignをクリックします。
モデルの名前を英数字で入力し、使用するトレーニングデータを選択します。
オプションです：アライメント・プロセスを開始する前に、提示された見積もり費用を確認してください。
Alignをクリックする。状態は「queued、次に「running である。状態が「completed」になるのを待つ。この作業には数分から数時間かかる。アライメントが完了すると、 Object Storage バケットに、トラブルシューティング用のログを含む trained_models ディレクトリが作成される。

CLIを使用したモデルのトレーニング

使用するデータのIDを取得する。
```
ibmcloud ilab data list
```
生成されたデータを使ってモデルの学習を開始するコマンドを実行する。 IDに注意。
```
ibmcloud ilab model train --name testmodel --data-id <data_id>
```
データ作成の詳細を確認する。モデルのIDを含める。状態は「queued、次に「running である。状態が「completed」になるのを待つ。この作業には数分から数時間かかる。状態が completed の場合、 Object Storage バケットに、トラブルシューティングのためのログを含む trained_models ディレクトリが作成される。
```
ibmcloud ilab model get --id <model_id>
```

オプション: 状態が completed、トークンの見積もりなどのメトリックを確認して、推定コストを計算できます。

model get コマンドに '--output json オプションを付けた例。

ibmcloud ilab model get --id daef9836-631f-4686-ad18-e0e6a0910f5d --output json

JSON出力例

{
  "base_model": "granite-3.1-8b-starter-v2.1",
  "created_at": "2026-02-18T16:06:05.000Z",
  "data_id": "8b1433c0-e375-4b00-b36d-2ad00697014e",
  "id": "daef9836-631f-4686-ad18-e0e6a0910f5d",
  "last_signal_at": "2026-02-18T17:20:32.000Z",
  "model_metrics": {
    "mmlu": {
      "overall_average": 0.51,
      "scores": {
        "mmlu_abstract_algebra": 0.3,
        "mmlu_anatomy": 0.43,
        "mmlu_astronomy": 0.49
      }
    },
    "mt_bench": {
      "error_rate": 0.01,
      "overall_average": 6.86,
      "scores": {
        "turn_one": 7.25,
        "turn_two": 6.47
      }
    },
    "mt_bench_branch": {
      "error_rate": 0.01,
      "improvements": {
        "compositional_skills/STEM/math/time_series/qna.yaml": 8.67,
        "compositional_skills/extraction/invoice/csv/qna.yaml": 8.4
      },
      "no_change": {
        "compositional_skills/roleplay/explain_like_i_am/primary_schooler/qna.yaml": 0,
        "compositional_skills/writing/freeform/technical/proposal/qna.yaml": 0
      },
      "regressions": {
        "compositional_skills/extraction/inference/qualitative/sentiment/qna.yaml": -9,
        "compositional_skills/extraction/information/named_entities/places/qna.yaml": -9
      }
    },
    "tokens": {
      "training_phases": {}
    }
  },
  "name": "test",
  "state": "completed",
  "status": "completed",
  "taxonomy_id": "e62ccea5-97e6-4568-86bf-2f359987b115"
}

APIを使用してモデルをトレーニングする

使用するデータのIDを取得する。

コマンドの例。

curl -X 'GET' \
  'https://us-east.instructlab.ibm.com/v1/data' \
  -H 'accept: application/json'

出力例。

{
  "data": [
    {
      "id": "add785e6-a8c3-4f5f-ab89-c506a3f115da",
      "name": "example-data-1",
      "state": "",
      "status": "queued",
      "created_at": "2024-10-23T02:58:50.000Z",
      "taxonomy_id": "202a03c4-dcf1-432a-82b7-abecb2e019f7",
      "last_signal_at": "2026-02-18T17:20:32.000Z"
    }
  ]
}

生成されたデータを使ってモデルの学習を開始するコマンドを実行する。 IDに注意。

コマンドの例。

curl -X 'POST' \
  'https://us-east.instructlab.ibm.com/v1/models' \
  -H 'accept: application/json' \
  -H 'Content-Type: application/json' \
  -d '{
  "name": "example-model-1",
  "data_id": "add785e6-a8c3-4f5f-ab89-c506a3f115da"
}'

出力例。

{
  "id": "baa8cfb5-e306-4e15-869d-735b74b1919d",
  "name": "example-model-1",
  "state": "",
  "status": "queued",
  "created_at": "2024-10-23T02:58:50.000Z",
  "last_signal_at": "2026-02-18T17:20:32.000Z",
  "data_id": "add785e6-a8c3-4f5f-ab89-c506a3f115da",
  "base_model": "granite-7b",
  "taxonomy_id": "202a03c4-dcf1-432a-82b7-abecb2e019f7",
  "model_metrics": {
    "mmlu": {
      "overall_average": 0.3,
      "scores": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      }
    },
    "mmlu_branch": {
      "error_rate": 0.4,
      "improvements": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      },
      "regressions": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      },
      "no_change": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      }
    },
    "mt_bench": {
      "overall_average": 0.8,
      "error_rate": 0.6,
      "scores": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      }
    },
    "mt_bench_branch": {
      "error_rate": 0.4,
      "improvements": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      },
      "regressions": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      },
      "no_change": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      }
    }
  }
}

データ作成の詳細を確認する。モデルのIDを含める。状態は「queued、次に「running である。状態が「completed」になるのを待つ。この作業には数分から数時間かかる。

コマンドの例。

curl -X 'GET' \
  'https://us-east.instructlab.ibm.com/v1/models/baa8cfb5-e306-4e15-869d-735b74b1919d' \
  -H 'accept: application/json'

出力例。

{
  "id": "baa8cfb5-e306-4e15-869d-735b74b1919d",
  "name": "example-model-1",
  "state": "",
  "status": "queued",
  "created_at": "2024-10-23T02:58:50.000Z",
  "last_signal_at": "2026-02-18T17:20:32.000Z",
  "data_id": "add785e6-a8c3-4f5f-ab89-c506a3f115da",
  "base_model": "granite-7b",
  "taxonomy_id": "202a03c4-dcf1-432a-82b7-abecb2e019f7",
  "model_metrics": {
    "mmlu": {
      "overall_average": 0.3,
      "scores": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      }
    },
    "mmlu_branch": {
      "error_rate": 0.4,
      "improvements": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      },
      "regressions": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      },
      "no_change": {
        "additionalProp1": 1,
        "additionalProp3": 3,
        "additionalProp2": 2
      }
    },
    "mt_bench": {
      "overall_average": 0.8,
      "error_rate": 0.6,
      "scores": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      }
    },
    "mt_bench_branch": {
      "error_rate": 0.4,
      "improvements": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      },
      "regressions": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      },
      "no_change": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      }
    }
  }
}

状態が completed の場合、 Object Storage バケットに、トラブルシューティングのためのログを含む trained_models ディレクトリが作成される。

トレーニング後の Object Storage バケツには何が入っている？

モデルの学習が終わると、 Object Storage バケツには trained models ディレクトリができ、以下のファイルが格納されます。

Artifacts: これらのファイルには、フェーズ 1 とフェーズ 2 のチェックポイントデータと各エポックのモデルが含まれています。
Eval: これらのファイルには、「mmlu、「mmlu_branch、「mt_bench、「mt_bench_branch ベンチマークの評価指標が含まれている。
Logs: これらのファイルにはRed Hat AI InstructLab実行ログとシステムの詳細が含まれています。
Model: これらのファイルには、最終的に出力されたモデルが'safetensors 形式で含まれている。このディレクトリの内容はモデルによって使用される。

次のステップ

オプション：モデルを配置することができます。