Freesolo Flash

1) 액세스 권한 얻기 + 도구 설치: https://freesolo.co에서 계정을 만들고 Freesolo API 키를 얻으십시오. 플랫폼용 Freesolo Flash 훈련 패키지/CLI를 설치하십시오 (CLI는 Freesolo 백엔드 훈련 작업을 대기열에 넣기 위한 얇은 클라이언트로 설명됩니다).

2) 훈련 저장소 준비 (또는 기존 코드/데이터 저장소에서 시작): Flash는 코딩 에이전트(Claude Code, Cursor, Codex 등)에 의해 구동되도록 설계되었습니다. 에이전트를 Flash 훈련 패키지와 데이터셋 및 환경 코드를 포함할 소스 저장소(또는 새 저장소)로 지정하십시오.

3) 작업 데이터 정의 (SFT 프롬프트/답변 쌍): 감독 미세 조정(SFT)의 경우, 프롬프트/답변 쌍(예: JSONL) 데이터셋을 만드십시오. 공용 SDK 표면을 사용하여 로컬에서 로드하고 유효성을 검사하십시오: `from freesolo.datasets import load_dataset` 다음 `dataset = load_dataset("support.jsonl")` 및 `len(dataset.examples)`를 검사하십시오.

4) (선택 사항이지만 권장) 평가/점수 매기기 환경 정의: `load_environment()`를 노출하고 `EnvironmentSingleTurn` 또는 `EnvironmentMultiTurn`을 반환하는 Python 환경 모듈을 만드십시오. 공용 SDK 표면을 사용하여 로컬에서 로드하십시오: `from freesolo.environments import load_environment` 다음 `environment = load_environment("freesolo/environment.py:load_environment")`. 단일 턴 환경은 `start_episode()`를 통해 에피소드를 구축합니다. 다중 턴 환경은 자체 `start_episode()`를 소유하며 해당 작업별 초기 시스템 메시지를 포함해야 합니다.

5) 훈련 방법 선택: SFT vs RL vs 온-정책 증류: 제공할 수 있는 내용에 따라 선택하십시오: (a) 프롬프트/답변 예제가 이미 있는 경우 SFT; (b) 보상/환경으로 출력을 점수 매길 수 있지만 완벽한 답변을 직접 작성할 수 없는 경우 RL (예: GRPO); (c) 더 큰 교사 모델이 모델의 완성을 토큰별로 채점할 수 있는 경우 온-정책 증류 (GLM 5.2가 기본 관리 교사로 언급됨), 따라서 답변이나 보상 함수가 필요하지 않습니다.

6) Flash용 짧은 TOML 구성 작성: (1) 지원되는 기본 모델, (2) 작업/훈련 모드 (SFT, RL/GRPO 또는 증류), (3) 데이터셋 및/또는 환경 모듈에 대한 포인터를 선택하는 TOML 구성을 만드십시오. Flash는 기본 모델 위에 LoRA 어댑터(작은 추가 가중치)를 훈련합니다.

7) 단일 Flash 명령을 실행하여 훈련 시작: TOML 구성을 사용하여 관리되는 훈련 작업을 대기열에 넣는 Flash CLI 명령을 실행하십시오. 아무것도 실행되기 전에 Flash는 고정 견적과 ETA를 반환합니다. 진행하려면 확인하십시오 (문서에서는 다음과 같이 설명합니다: 견적과 ETA를 인쇄한 다음 '시작'이라고 말합니다).

8) (선택 사항) 최종 훈련 전에 에이전트 기반 최적화 루프 사용: Freesolo 에이전트 워크플로우를 사용하는 경우, 저장소 기반 루프를 실행하십시오: 소스 저장소에서 초기 훈련 계약을 생성하기 위한 `draft` ( `targetRepoUrl` 반환), 저장소 수준 훈련 파일을 생성하고 제한된 전략 발견 실험을 실행하기 위한 `optimize` (동시성 및 시간 제한 포함), 최적화 프로그램이 선택한 SFT/RL 스크립트/구성 조합을 실행하기 위한 `training`.

9) 작업 진행 상황 및 완료 모니터링: CLI 폴링 워크플로우를 사용하여 작업을 모니터링하십시오: `poll`은 최근 조직 작업을 나열하고 선택한 작업이 완료될 때까지 모니터링할 수 있습니다. 작업이 완료되면 작업 ID, 저장소, 커밋 및 변경된 파일을 포함하는 짧은 요약을 인쇄합니다. 전체 세부 정보는 https://freesolo.co의 Freesolo 웹 플랫폼에서 확인할 수 있습니다.

10) 출력 검색 (LoRA 어댑터 + 내보낸 가중치): 훈련이 완료되면 배포 가능한 결과가 나옵니다. LoRA 어댑터가 생성되고 가중치가 표준 형식으로 저장소로 내보내지므로 어디서든 다운로드하여 서비스할 수 있습니다.

11) 관리형 서비스로 배포 (선택 사항): `flash deploy`를 실행하여 어댑터를 관리형 서비스에 등록하십시오. 배포 후, Freesolo 키를 사용하여 `flash chat` 또는 모든 OpenAI 호환 클라이언트를 통해 모델을 호출할 수 있습니다 (Flash는 OpenAI 호환 엔드포인트 뒤에서 서비스합니다. 호스팅할 필요가 없습니다).

12) 프로덕션 데이터가 진화함에 따라 저렴하게 반복하고 재훈련: Flash는 프로덕션 데이터에 대한 반복적인 후처리 (특히 10B 미만 모델의 경우)를 위해 포지셔닝됩니다. 데이터셋/환경을 업데이트하고, TOML 구성을 조정하고, 새 선불 견적/ETA를 얻기 위해 작업을 다시 실행하고, 업데이트된 어댑터를 재배포하여 반복하십시오.