El ajuste continuo te permite seguir ajustando un modelo que ya se ha ajustado o un punto de control del modelo añadiendo más épocas o ejemplos de entrenamiento. Si se usa un modelo o un punto de control ya optimizado como modelo base, se pueden realizar experimentos de optimización de forma más eficiente.
Puedes usar la optimización continua para lo siguiente:
- Para ajustar un modelo ya creado con más datos si no se ajusta bien.
- Para mejorar el rendimiento o mantener el modelo actualizado con datos nuevos.
- Para personalizar aún más un modelo ajustado.
Los siguientes modelos de Gemini admiten el ajuste continuo:
Para obtener información detallada sobre las versiones del modelo Gemini, consulta Modelos de Google y Versiones y ciclo de vida de los modelos.
Configurar la optimización continua
Cuando crees una tarea de ajuste continuo, ten en cuenta lo siguiente:
- El ajuste continuo se admite en el SDK de IA generativa de Google. No se admite en el SDK de Vertex AI para Python.
Debes proporcionar un nombre de recurso de modelo:
- En la Google Cloud consola, el nombre del recurso del modelo aparece en la página Ajuste de Vertex AI, en el campo Detalles del ajuste > Nombre del modelo.
- El nombre de recurso del modelo tiene el siguiente formato:
projects/{project}/locations/{location}/models/{modelId}@{version_id}{version_id}es opcional y puede ser el ID de versión generado o un alias de versión proporcionado por el usuario. Si se omite, se usará la versión predeterminada.
Si no especificas una versión del modelo, se usará la predeterminada.
Si usas un punto de control como modelo base y no especificas un ID de punto de control, se usará el punto de control predeterminado. Para obtener más información, consulta Usar puntos de control en el ajuste fino supervisado de modelos de Gemini. En la Google Cloud consola, el punto de control predeterminado se encuentra de la siguiente manera:
- Ve a la página Registro de modelos.
- Haga clic en el nombre del modelo.
- Haz clic en Ver todas las versiones.
- Haz clic en la versión que quieras para ver una lista de puntos de control. El punto de control predeterminado se indica con la palabra
defaultjunto al ID del punto de control.
De forma predeterminada, se crea una nueva versión del modelo en el mismo modelo principal que el modelo preajustado. Si proporcionas un nuevo nombre visible para el modelo ajustado, se creará un nuevo modelo.
Solo se pueden usar como modelos base para el ajuste continuo los modelos base de ajuste supervisado que se hayan ajustado a partir del 11 de julio del 2025.
Si usas claves de cifrado gestionadas por el cliente (CMEK), tu trabajo de ajuste continuo debe usar la misma CMEK que se usó en el trabajo de ajuste del modelo preajustado.
Consola
Para configurar el ajuste continuo de un modelo preajustado mediante laGoogle Cloud consola, sigue estos pasos:
En la sección Vertex AI de la Google Cloud consola, ve a la página Vertex AI Studio.
Haz clic en Crear modelo ajustado.
En Detalles del modelo, configura lo siguiente:
- Elige Ajustar un modelo preajustado.
- En el campo Modelo preajustado, elige el nombre del modelo preajustado.
- Si el modelo tiene al menos un punto de control, aparece el campo desplegable Punto de control. Elige el punto de control que quieras.
Haz clic en Continuar.
REST
Para configurar el ajuste continuo, envía una solicitud POST mediante el método tuningJobs.create. Algunos parámetros no son compatibles con todos los modelos. Asegúrate de incluir solo los parámetros aplicables al modelo que estés ajustando.
Antes de usar los datos de la solicitud, haz las siguientes sustituciones:
- Parámetros para el ajuste continuo:
- TUNED_MODEL_NAME: nombre del modelo ajustado que se va a usar.
- CHECKPOINT_IDOpcional: ID del punto de control que se va a usar.
- Los demás parámetros son los mismos que los de ajuste fino supervisado o ajuste de preferencias.
Método HTTP y URL:
POST https://TUNING_JOB_REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/TUNING_JOB_REGION/tuningJobs
Cuerpo JSON de la solicitud:
{
"preTunedModel": {
"tunedModelName": "TUNED_MODEL_NAME",
"checkpointId": "CHECKPOINT_ID",
},
"supervisedTuningSpec" : {
"trainingDatasetUri": "TRAINING_DATASET_URI",
"validationDatasetUri": "VALIDATION_DATASET_URI",
"hyperParameters": {
"epochCount": EPOCH_COUNT,
"adapterSize": "ADAPTER_SIZE",
"learningRateMultiplier": "LEARNING_RATE_MULTIPLIER"
},
"exportLastCheckpointOnly": EXPORT_LAST_CHECKPOINT_ONLY,
"evaluationConfig": {
"metrics": [
{
"aggregation_metrics": ["AVERAGE", "STANDARD_DEVIATION"],
"METRIC_SPEC": {
"METRIC_SPEC_FIELD_NAME":
METRIC_SPEC_FIELD_CONTENT
}
},
],
"outputConfig": {
"gcs_destination": {
"output_uri_prefix": "CLOUD_STORAGE_BUCKET"
}
},
},
},
"tunedModelDisplayName": "TUNED_MODEL_DISPLAYNAME",
"encryptionSpec": {
"kmsKeyName": "KMS_KEY_NAME"
},
"serviceAccount": "SERVICE_ACCOUNT"
}
Para enviar tu solicitud, elige una de estas opciones:
curl
Guarda el cuerpo de la solicitud en un archivo llamado request.json
y ejecuta el siguiente comando:
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://TUNING_JOB_REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/TUNING_JOB_REGION/tuningJobs"
PowerShell
Guarda el cuerpo de la solicitud en un archivo llamado request.json
y ejecuta el siguiente comando:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method POST `
-Headers $headers `
-ContentType: "application/json; charset=utf-8" `
-InFile request.json `
-Uri "https://TUNING_JOB_REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/TUNING_JOB_REGION/tuningJobs" | Select-Object -Expand Content
Deberías recibir una respuesta JSON similar a la siguiente.
Comando curl de ejemplo
PROJECT_ID=myproject
LOCATION=global
curl \
-X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
"https://${LOCATION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${LOCATION}/tuningJobs" \
-d \
$'{
"preTunedModel": "gemini-2.5-flash",
"supervisedTuningSpec" : {
"trainingDatasetUri": "gs://cloud-samples-data/ai-platform/generative_ai/gemini/text/sft_train_data.jsonl",
"validationDatasetUri": "gs://cloud-samples-data/ai-platform/generative_ai/gemini/text/sft_validation_data.jsonl"
},
"tunedModelDisplayName": "tuned_gemini"
}'
SDK de Google Gen AI
En el siguiente ejemplo se muestra cómo configurar el ajuste continuo mediante el SDK de IA generativa de Google.