Freesolo Flash

1) アクセス権を取得し、ツールをインストールする: https://freesolo.coでアカウントを作成し、Freesolo APIキーを取得します。お使いのプラットフォーム用のFreesolo Flashトレーニングパッケージ/CLIをインストールします（CLIは、Freesoloバックエンドトレーニングジョブをキューに入れるためのシンクライアントとして説明されています）。

2) トレーニングリポジトリを準備する（または既存のコード/データリポジトリから開始する）: Flashは、コーディングエージェント（Claude Code、Cursor、Codexなど）によって駆動されるように設計されています。エージェントをFlashトレーニングパッケージと、データセットと環境コードを含むソースリポジトリ（または新しいリポジトリ）に向けます。

3) タスクデータを定義する（SFTプロンプト/回答ペア）: 教師ありファインチューニング（SFT）の場合、プロンプト/回答ペアのデータセット（例：JSONL）を作成します。パブリックSDKサーフェスを使用して、ローカルでロードおよび検証します。`from freesolo.datasets import load_dataset` の後、`dataset = load_dataset("support.jsonl")` を実行し、`len(dataset.examples)` を調べます。

4) (オプションだが推奨) 評価/スコアリング環境を定義する: `load_environment()` を公開し、`EnvironmentSingleTurn` または `EnvironmentMultiTurn` を返すPython環境モジュールを作成します。パブリックSDKサーフェスを使用して、ローカルでロードします。`from freesolo.environments import load_environment` の後、`environment = load_environment("freesolo/environment.py:load_environment")` を実行します。シングルターン環境は `start_episode()` を介してエピソードを構築します。マルチターン環境は独自の `start_episode()` を所有し、そこにタスク固有の初期システムメッセージを含める必要があります。

5) トレーニング方法を選択する: SFT vs RL vs オンポリシー蒸留: 提供できるものに基づいて選択します。(a) プロンプト/回答の例が既にある場合はSFT。(b) 報酬/環境で出力をスコアリングできるが、完璧な回答を手書きできない場合はRL（例：GRPO）。(c) より大きな教師モデルがモデルの完了をトークンごとに評価できる場合はオンポリシー蒸留（GLM 5.2がデフォルトの管理対象教師として言及されています）。この場合、回答や報酬関数は必要ありません。

6) Flash用の短いTOML設定を記述する: サポートされているベースモデル、タスク/トレーニングモード（SFT、RL/GRPO、または蒸留）、およびデータセットや環境モジュールへのポインターを選択するTOML設定を作成します。Flashは、ベースモデルの上にLoRAアダプター（小さなアドオン重み）をトレーニングします。

7) 単一のFlashコマンドを実行してトレーニングを開始する: TOML設定を使用して管理対象トレーニングジョブをキューに入れるFlash CLIコマンドを実行します。実行前に、Flashは固定見積もりとETAを返します。続行するには確認します（ドキュメントでは、「見積もりとETAを出力し、その後『実行』と指示する」と説明されています）。

8) (オプション) 最終トレーニングの前にエージェント駆動のオプティマイザーループを使用する: Freesoloエージェントワークフローを使用している場合は、リポジトリベースのループを実行します。`draft` でソースリポジトリから初期トレーニング契約を作成し（`targetRepoUrl` を返します）、次に `optimize` でリポジトリレベルのトレーニングファイルを生成し、境界付き戦略発見実験（並行処理と時間制限付き）を実行し、次に `training` でオプティマイザーが選択したSFT/RLスクリプト/設定の組み合わせを実行します。

9) ジョブの進行状況と完了を監視する: CLIポーリングワークフローを使用してジョブを監視します。`poll` は最近の組織ジョブを一覧表示し、選択したジョブが完了するまで監視できます。ジョブが完了すると、ジョブID、リポジトリ、コミット、変更されたファイルを含む短い概要が出力されます。完全な詳細は、https://freesolo.co のFreesoloウェブプラットフォームで利用できます。

10) 出力（LoRAアダプター + エクスポートされた重み）を取得する: トレーニングが完了すると、デプロイ可能な結果が得られます。LoRAアダプターが生成され、重みは標準形式でリポジトリにエクスポートされるため、どこでもダウンロードして提供できます。

11) マネージドサービングでデプロイする（オプション）: `flash deploy` を実行して、アダプターをマネージドサービングに登録します。デプロイ後、`flash chat` またはFreesoloキーを使用するOpenAI互換クライアントを介してモデルを呼び出すことができます（FlashはOpenAI互換エンドポイントの背後でサービスを提供します。ホストする必要はありません）。

12) 生産データが進化するにつれて、安価に反復し、再トレーニングする: Flashは、生産データに対する繰り返しの後処理トレーニング（特に10B未満のモデルの場合）向けに位置付けられています。データセット/環境を更新し、TOML設定を調整し、ジョブを再実行して新しい事前見積もり/ETAを取得し、更新されたアダプターを再デプロイすることで反復します。