Penyesuaian berkelanjutan memungkinkan Anda melanjutkan penyesuaian model yang sudah disesuaikan atau checkpoint model dengan menambahkan lebih banyak epoch atau contoh pelatihan. Menggunakan model atau titik pemeriksaan yang sudah disesuaikan sebagai model dasar memungkinkan eksperimen penyesuaian yang lebih efisien.
Anda dapat menggunakan penyetelan berkelanjutan untuk tujuan berikut:
- Untuk menyesuaikan dengan lebih banyak data jika model yang disesuaikan yang ada mengalami kurang sesuai (underfitting).
- Untuk meningkatkan performa atau menjaga model tetap terbaru dengan data baru.
- Untuk menyesuaikan lebih lanjut model yang sudah di-tuning.
Model Gemini berikut mendukung penyesuaian berkelanjutan:
Untuk mengetahui informasi mendetail tentang versi model Gemini, lihat Model Google dan Versi dan siklus proses model.
Mengonfigurasi penyetelan berkelanjutan
Saat membuat tugas penyesuaian berkelanjutan, perhatikan hal berikut:
- Penyesuaian berkelanjutan didukung di Google Gen AI SDK. Tidak didukung di Vertex AI SDK untuk Python.
Anda harus memberikan nama resource model:
- Di konsol Google Cloud , nama resource model muncul di halaman Vertex AI Tuning, di kolom Tuning details > Model Name.
- Nama resource model menggunakan format berikut:
projects/{project}/locations/{location}/models/{modelId}@{version_id}{version_id}bersifat opsional dan dapat berupa ID versi yang dihasilkan atau alias versi yang disediakan pengguna. Jika dihilangkan, versi default akan digunakan.
Jika Anda tidak menentukan versi model, versi default akan digunakan.
Jika Anda menggunakan checkpoint sebagai model dasar dan tidak menentukan ID checkpoint, checkpoint default akan digunakan. Untuk mengetahui informasi selengkapnya, lihat Menggunakan titik pemeriksaan dalam penyesuaian terawasi untuk model Gemini. Di konsol Google Cloud , titik pemeriksaan default dapat ditemukan sebagai berikut:
- Buka halaman Model Registry.
- Klik Nama Model untuk model.
- Klik Lihat semua versi.
- Klik versi yang diinginkan untuk melihat daftar titik pemeriksaan. Pos pemeriksaan
default ditunjukkan dengan kata
defaultdi samping ID pos pemeriksaan.
Secara default, versi model baru dibuat di model induk yang sama dengan model yang telah disesuaikan. Jika Anda memberikan nama tampilan model yang di-tune baru, model baru akan dibuat.
Hanya model dasar penyesuaian yang diawasi yang disesuaikan pada atau setelah 11 Juli 2025 yang dapat digunakan sebagai model dasar untuk penyesuaian berkelanjutan.
Jika Anda menggunakan kunci enkripsi yang dikelola pelanggan (CMEK), tugas penyetelan berkelanjutan Anda harus menggunakan CMEK yang sama dengan yang digunakan dalam tugas penyetelan untuk model yang telah disetel sebelumnya.
Konsol
Untuk mengonfigurasi penyesuaian berkelanjutan untuk model yang telah disesuaikan menggunakan konsolGoogle Cloud , lakukan langkah-langkah berikut:
Di bagian Vertex AI pada konsol Google Cloud , buka halaman Vertex AI Studio.
Klik Create tuned model.
Di bagian Detail model, konfigurasikan hal berikut:
- Pilih Sesuaikan model yang telah disesuaikan.
- Di kolom Pre-tuned model, pilih nama model yang telah disesuaikan.
- Jika model memiliki setidaknya satu titik pemeriksaan, kolom drop-down Titik pemeriksaan akan muncul. Pilih titik pemeriksaan yang diinginkan.
Klik Lanjutkan.
REST
Untuk mengonfigurasi penyesuaian berkelanjutan, kirim permintaan POST menggunakan metode
tuningJobs.create. Beberapa parameter tidak didukung oleh semua model. Pastikan Anda hanya menyertakan parameter yang berlaku untuk model yang sedang disesuaikan.
Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:
- Parameter untuk penyempurnaan berkelanjutan:
- TUNED_MODEL_NAME: Nama model yang disesuaikan untuk digunakan.
- CHECKPOINT_IDOpsional: ID titik pemeriksaan yang akan digunakan.
- Parameter yang tersisa sama seperti untuk fine-tuning yang diawasi atau penyesuaian preferensi.
Metode HTTP dan URL:
POST https://TUNING_JOB_REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/TUNING_JOB_REGION/tuningJobs
Meminta isi JSON:
{
"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"
}
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Simpan isi permintaan dalam file bernama request.json,
dan jalankan perintah berikut:
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
Simpan isi permintaan dalam file bernama request.json,
dan jalankan perintah berikut:
$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
Anda akan melihat respons JSON yang mirip seperti berikut:
Contoh perintah curl
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"
}'
Google Gen AI SDK
Contoh berikut menunjukkan cara mengonfigurasi penyesuaian berkelanjutan menggunakan Google Gen AI SDK.