訓練模型 InstructLab

在產生的資料上訓練您的模型，然後測試模型以驗證結果。進一步瞭解何謂訓練。

配置資訊或檔案無法傳遞給模型進行微調。

必要條件

準備您的分類系統
新增分類系統 tar.gz 到您的 Object Storage 桶。您可以使用 CLI 或 UI。
從分類系統產生資料。

使用控制台對齊模型

從 InstructLab 專案 頁面，按一下您的專案 > 對齊模型 > 對齊。
輸入模型的字母數字名稱，並選擇要使用的訓練資料。
可選：在您開始對齊程序之前，請檢閱所提供的估計成本。
按一下對齊。狀態是 queued，然後是 running。等待狀態變為 completed。此過程可能需要幾分鐘或幾小時。對齊完成後，在 Object Storage 儲存桶中，會建立 trained_models 目錄，其中包含用於疑難排解的日誌。

使用 CLI 訓練模型

取得要使用資料的 ID。
```
ibmcloud ilab data list
```
運行命令以開始使用生成的資料訓練模型。請注意 ID。
```
ibmcloud ilab model train --name testmodel --data-id <data_id>
```
檢查資料產生的詳細資訊。包括模型的 ID。狀態是 queued，然後是 running。等待狀態變為 completed。此過程可能需要幾分鐘或幾小時。當狀態為 completed 時，在 Object Storage 儲存桶中，會建立 trained_models 目錄，其中包含用於疑難排解的日誌。
```
ibmcloud ilab model get --id <model_id>
```

可選：當狀態為 completed 時，您可以檢視指標，例如代幣估計值，以計算估計成本。

帶有 --output json 選項的 model get 命令範例。

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

JSON 輸出範例

{
  "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"
}

使用 API 訓練模型

取得要使用資料的 ID。

範例指令。

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

輸出範例。

{
  "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"
    }
  ]
}

運行命令以開始使用生成的資料訓練模型。請注意 ID。

範例指令。

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"
}'

輸出範例。

{
  "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
      }
    }
  }
}

檢查資料產生的詳細資訊。包括模型的 ID。狀態是 queued，然後是 running。等待狀態變為 completed。此過程可能需要幾分鐘或幾小時。

範例指令。

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

輸出範例。

{
  "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
      }
    }
  }
}

當狀態為 completed 時，在 Object Storage 儲存桶中，會建立 trained_models 目錄，其中包含用於疑難排解的日誌。

訓練結束後，我的 Object Storage 水桶裡有什麼？

訓練模型之後，您的 Object Storage 資料桶會包含一個 trained models 目錄，其中有下列檔案。

Artifacts: 這些文件包含第 1 階段和第 2 階段檢查點資料以及每個時期的模型。
Eval: 這些檔案包含 mmlu、mmlu_branch、mt_bench 和 mt_bench_branch 基準測試的評估指標。
Logs: 這些檔案包含Red Hat AI InstructLab執行日誌和系統詳細資訊。
Model: 這些檔案包含 safetensors 格式的最終輸出模型。該目錄的內容由模型使用。

下一步為何？

可選：您可以部署模型。