专业简历制作网站有哪些php网站开发实战的书

专业简历制作网站有哪些,php网站开发实战的书,网站备案需要当面核验哪些信息,企业信息平台系统banner继我们使用Claude Code训练开源模型的项目之后#xff0c;现在我们更进一步#xff0c;将Codex引入这一流程。这里的重点不是“Codex 自己开源模型”#xff0c;而是让 Codex 作为编码代理#xff0c;参与并自动化开源模型的训练、评估与发布全流程。为此#xff0c…banner继我们使用Claude Code训练开源模型的项目之后现在我们更进一步将Codex引入这一流程。这里的重点不是“Codex 自己开源模型”而是让 Codex 作为编码代理参与并自动化开源模型的训练、评估与发布全流程。为此我们为 Codex 接入了Hugging Face Skills仓库该仓库包含了许多与机器学习和 AI 相关的“技能”比如模型训练与评估等任务。通过 HF SkillsCodex 这样的编码代理可以实现Claude Codehttps://hf.co/blog/hf-skills-trainingCodexhttps://developers.openai.com/codex/Hugging Face Skillshttps://github.com/huggingface/skills对语言模型进行微调和强化学习 (RL) 对齐训练查看、解释并基于 Trackio 的实时训练指标做出操作评估模型检查点并根据评估结果作出决策生成实验报告将模型导出为 GGUF 格式方便本地部署将模型发布到 Hugging Face Hub本教程将更深入地介绍它的工作原理并手把手教你如何使用。我们开始吧Codex 使用AGENTS.md文件来完成特定任务而 Claude Code 使用的是 “Skills”。幸运的是“HF Skills” 兼容这两种方式并可与 Claude Code、Codex 或 Gemini CLI 等主要编码代理配合使用。例如使用HF Skills你可以对 Codex 下达如下指令Fine-tune Qwen3-0.6B on the dataset open-r1/codeforces-cotsCodex 将自动执行以下步骤验证数据集格式选择合适的硬件 (比如 0.6B 模型使用 t4-small)使用并更新带有 Trackio 监控的训练脚本将任务提交到 Hugging Face Jobs返回任务 ID 和预估费用根据请求查看训练进度如遇问题协助你进行调试模型会在 Hugging Face 提供的 GPU 上训练你可以同时做其他事情。训练完成后你的微调模型将自动发布到 Hub可立即使用。这不仅仅是一个演示工具。这套扩展系统支持生产级的训练方法有监督微调 (SFT) 、直接偏好优化 (DPO) 和带有可验证奖励的强化学习 (RL) 。你可以训练 0.5B 到 7B 参数规模的模型将它们转换为 GGUF 格式便于本地运行还可以通过多阶段流程结合不同方法。目标端到端的机器学习实验我们在 Claude Code 教程中探索过单条指令的方式。而现在我们可以让 OpenAI Codex 实现完整的端到端机器学习实验。Codex 能够实时监控进度评估模型效果维护最新训练报告工程师可以将实验任务交由 Codex 自动执行而自己只需查看最终报告即可。同时Codex 还能根据训练与评估结果自动做出更多决策。我们开始动手吧环境准备与安装在开始之前你需要一个 Hugging Face 账户并开通Pro或Team / Enterprise付费计划 (Jobs 需付费)一个拥有写权限的 token (在huggingface.co/settings/tokens生成)安装并配置好CodexProhttps://hf.co/proTeam / Enterprisehttps://hf.co/enterprisehuggingface.co/settings/tokenshttps://hf.co/settings/tokensCodexhttps://developers.openai.com/codex/安装 CodexCodex 是 OpenAI 推出的 AI 编码代理包含在 ChatGPT Plus、Pro、Business、Edu 和 Enterprise 等计划中。它可以将 AI 能力直接融入你的开发流程。参见Codex 官方文档获取安装与配置说明。Codex 官方文档https://developers.openai.com/codex/安装 Hugging Face SkillsHugging Face Skills 仓库中包含AGENTS.md文件Codex 会自动识别并使用它。克隆仓库git clone https://github.com/huggingface/skills.git cd skillsCodex 会自动检测到AGENTS.md文件并加载相应的技能。你可以通过以下指令确认技能已加载codex --ask-for-approval never Summarize the current instructions.详细信息请参考Codex AGENTS 指南。Codex AGENTS 指南https://developers.openai.com/codex/连接 Hugging Face使用以下命令并输入写权限 token 来进行认证hf auth loginCodex 支持MCP (模型上下文协议)你可以在配置文件中添加 Hugging Face 的 MCP 服务提升与 Hub 的集成体验。将以下内容添加到~/.codex/config.tomlMCP (模型上下文协议)https://developers.openai.com/codex/[mcp_servers.huggingface] command npx args [-y, mcp-remote, https://huggingface.co/mcp?login]你也可以在Settings 页面中配置 MCP 服务。Settings 页面https://hf.co/settings/mcp之后启动 Codex会跳转到 Hugging Face MCP 的认证页面。你的第一个 AI 实验我们来看一个完整示例。使用open-r1/codeforces-cots数据集配合openai_humaneval基准测试微调一个小模型来提升其代码解题能力。open-r1/codeforces-cotshttps://hf.co/datasets/open-r1/codeforces-cotsopenai_humanevalhttps://hf.co/datasets/openai/openai_humanevalopen-r1/codeforces-cots是一个包含 Codeforces 编程题及其解答的数据集非常适合用于模型的指令微调帮助模型解决复杂编程问题。向 Codex 发起完整的微调实验请求在你的项目目录下启动 Codex并输入如下指令Start a new fine-tuning experiment to improve code solving abilities on using SFT. - Maintain a report for the experiment. - Evaluate models with the openai_humaneval benchmark - Use the open-r1/codeforces-cots dataset相比 Claude Code 教程中的单条指令方式这里我们加了更多细节和步骤。你也可以尝试自己不断迭代这个实验提出一些更开放性的问题比如“哪个模型最擅长代码解题”或“哪个数据集最适合训练代码解题能力”Codex 会分析你的请求并生成对应的训练配置。例如对于一个 0.6B 参数规模的模型和一个演示数据集它会选择t4-small这是适合该模型大小的最低成本 GPU 选项。Codex 会在training_reports/model-dataset-method.md路径下创建一份新的实验报告并在实验过程中持续更新每次运行的相关信息。训练报告示例# 基础模型与数据集 [Base Model](https://huggingface.co/Qwen/Qwen3-0.6B) [Dataset](https://huggingface.co/datasets/open-r1/codeforces-cots) --- # sft-a10g - TBD - 进行中 ## 训练参数 | 参数 | 值 | |-----------|-------| | 方法 | SFTTRL| | 模型 | Qwen/Qwen3-0.6B | | 数据集 | open-r1/codeforces-cots训练集5% 验证划分| | 最大长度 | 2048 | | 训练轮数 | 1首次检查后延长到3| | 每个设备的 batch 大小 | 1 | | 梯度累积步数 | 8 | | 有效 batch | 8 | | 学习率 | 5e-5 | | 权重衰减 | 0.01 | | 预热比例 | 0.03 | | 评估策略 | 每 500 步 | | 保存策略 | 每 500 步hub_strategyevery_save最多保存2个 | | 精度 | bf16 | | 启用梯度检查点 | true | | 是否打包样本 | false | | Hub 模型仓库 | burtenshaw/qwen3-codeforces-cots-sft | | 使用硬件 | a10g-small | | 超时时间 | 2 小时 | | Trackio 项目 | qwen3-codeforces-cots运行名称sft-a10g | ## 运行状态 进行中等待提交 ## 运行日志 尚未提交提交后会补充链接 ## Trackio 日志 等待中任务开始后补充链接 ## 模型评估 等待中将使用 lighteval 对基础模型和各检查点进行 openai_humaneval 评估 --- # 实验评估结果 | 运行标题 | 基准测试 | 得分 | 评估任务链接 | 模型链接 | |-----------|-----------|-------|---------------------|------------| | sft-a10g - TBD - 进行中 | HumanEval pass1 | 待定 | 待定 | [burtenshaw/qwen3-codeforces-cots-sft](https://huggingface.co/burtenshaw/qwen3-codeforces-cots-sft)训练报告实时更新随着实验的推进Codex 会不断将最新的信息和每次运行的结果写入报告中。你可以在training_reports/model-dataset-method.md文件中查看这些更新。例如当实验进行中时Codex 会将报告标题更新为如下格式# sft-a10g - TBD - 进行中它还会添加运行日志和 Trackio 实时监控的链接## Run Logs [Run Logs](https://huggingface.co/jobs/burtenshaw/6938272ec67c9f186cfe1ae3) ## Trackio Logs [Trackio Logs](https://burtenshaw-trackio.hf.space/?projectqwen3-codeforces-sftmetricstrain/lossrunssft-qwen3-codeforces-20251209-175806sidebarhiddennavbarhidden)评估结果也会更新到实验评估表中# Experiment Evaluations | Run Title | Benchmark | Score | Evaluation Job Link | Model Link | |-----------|-----------|-------|---------------------|------------| | base-humaneval-a10g - 2025-12-09 13:47:47 UTC - Completed | HumanEval pass1 | 0.304 | [Logs](https://huggingface.co/jobs/burtenshaw/69382863c67c9f186cfe1ae7) | [Qwen/Qwen3-0.6B](https://huggingface.co/Qwen/Qwen3-0.6B) | | qwen3-0.6b-lora-v1 - 2025-12-09 13:47:47 UTC - In Progress | HumanEval pass1 | TBD | TBD | [burtenshaw/qwen3-codeforces-cots-sft](https://huggingface.co/burtenshaw/qwen3-codeforces-cots-sft)数据集验证数据集格式错误是训练失败最常见的原因之一也常是训练脚本中工作量最大的部分之一。Codex 会在任务开始前验证数据集格式并根据需要配置 TRL 训练参数或预处理数据。通常Codex 会在训练前验证数据集你也可以手动让它提前检查Check if open-r1/codeforces-cots works for SFT training.Codex 会在 CPU 上快速检查 (成本非常低) 并返回如下结果Dataset validation for my-org/conversation-data: SFT: ✓ READY Found messages column with conversation format DPO: ✗ INCOMPATIBLE Missing chosen and rejected columns如果你的数据集需要转换格式Codex 可以在训练开始前对数据集进行预处理Preprocess the dataset open-r1/codeforces-cots to use good_response and bad_response instead of chosen and rejected.Codex 会自动预处理数据并更新训练脚本中的配置。提交前确认在 Codex 提交训练任务前它会向你确认配置信息Ill fine-tune Qwen/Qwen3-0.6B on open-r1/codeforces-cots using SFT. Configuration: - Hardware: t4-small (~$0.75/hour) - Estimated time: ~20 minutes - Estimated cost: ~$0.30 - Output: username/qwen-codeforces-cots-sft The model will be pushed to Hub automatically. Should I submit?此时你可以修改任何内容比如更改输出仓库名称、选择其他硬件、调整训练参数等。一旦确认无误Codex 就会提交任务。你也可以先进行小规模测试Do a quick test run on 100 examples.使用训练报告追踪进度提交任务后你可以通过训练报告追踪进度并获取运行日志和 Trackio 日志的链接。你也可以让 Codex 获取日志、汇总训练进展并更新训练报告。随着 Codex 执行任务它会持续将最新信息写入训练报告中。Codex 示例响应─ Worked for 10m 38s ───────────────────────────────────────────────────────────────────────────────────────────────────────── • Training and evaljobs are live. Key details: - SFT launched on open-r1/codeforces-cots (solutions_py_decontaminated, 98/2 split) with LoRA on Qwen/Qwen3-0.6B, a10g- large, bf16, max_steps1000, batch1, grad_accum8, lr2e-5, save/eval every 200 steps, hub push burtenshaw/qwen3- codeforces-cots-sft. Job: https://huggingface.co/jobs/burtenshaw/6938272ec67c9f186cfe1ae3 (Trackio project codeforces- cots-sft, run qwen3-0.6b-lora-v1). - Baseline lighteval (HumanEval) on the base model queued on a10g-large. Job: https://huggingface.co/jobs/ - Experiment report updated with current runs and links: training_reports/qwen3-codeforces-cots-sft.md. To evaluate the fine-tuned checkpoints once the SFT job pushes to the hub, reuse the same lighteval script: hf jobs uv run --flavor a10g-large --timeout 1h --secrets HF_TOKEN -e MODEL_IDburtenshaw/qwen3-codeforces-cots-sft -e RESULTS_ORGburtenshaw -d /tmp/lighteval_humaneval.py (or swap MODEL_ID for a specific checkpoint path). This will log to the same results directory on the hub. 1. Monitor the two running jobs; I can fetch logs or metrics on request. 2. After a checkpoint lands, trigger the lighteval run above to compare against the baseline; then we can fill in pass1 in the report.Trackio 会通过自动运行评估任务帮助你监控训练和评估的得分并选择表现最好的模型检查点 (checkpoint) 。如果你想了解训练任务的状态可以让 Codex 获取日志并以表格形式总结训练进展。例如你可以直接询问Are models outperforming the base model?Codex 会返回类似的表格总结| Model | Benchmark | Score | Evaluation Job Link | Model Link | |-----------|-----------|-------|---------------------|------------| | qwen3-0.6b-lora-v1 - 2025-12-09 13:47:47 UTC - Completed | HumanEval pass1 | 0.342 | [Logs](link) | [burtenshaw/qwen3-codeforces-cots-sft](https://huggingface.co/burtenshaw/qwen3-codeforces-cots-sft) | base-humaneval-a10g - 2025-12-09 13:47:47 UTC - Completed | HumanEval pass1 | 0.306 | [Logs](link) | [Qwen/Qwen3-0.6B](https://huggingface.co/Qwen/Qwen3-0.6B)通过这种方式你可以清楚地看到微调后的模型是否优于基础模型。你也可以实时查看训练损失变化Codex 会自动获取日志并更新进度。点击此处查看Trackio 仪表盘示例Trackio 仪表盘示例https://burtenshaw-trackio.hf.space/?projectqwen3-codeforces-sftmetricstrain/lossrunssft-qwen3-codeforces-20251209-175806sidebarhiddennavbarhidden使用你的模型训练完成后模型会被上传到 Hugging Face Hubfrom transformers import AutoModelForCausalLM, AutoTokenizer model AutoModelForCausalLM.from_pretrained(burtenshaw/qwen3-codeforces-cots-sft) tokenizer AutoTokenizer.from_pretrained(burtenshaw/qwen3-codeforces-cots-sft)Transformers 是一个非常优秀的标准工具我们也可以轻松地将训练好的模型转换为 GGUF 格式用于本地部署。这是因为训练技能中已经包含了将模型转换为 GGUF 的说明和支持脚本。Convert my fine-tuned model to GGUF with Q4_K_M quantization. Push to username/my-model-gguf.Codex 会自动将模型转换为 GGUF 格式应用指定的量化策略并将其推送到 Hugging Face Hub。如果你使用了 LoRA 适配器进行训练它还会将这些适配器合并回基础模型中。在本地运行模型llama-server -hf username/model-name:quantization # For example, to run the Qwen3-1.7B-GGUF model on your local machine: llama-server -hf unsloth/Qwen3-1.7B-GGUF:Q4_K_M硬件与成本Codex 会根据你的模型规模自动选择合适的硬件但了解背后的取舍逻辑有助于你做出更明智的决策。你可以参考这个硬件指南来了解各种硬件的选择和成本不过 Codex 会自动帮你选择最优配置。硬件指南https://github.com/huggingface/skills/blob/main/hf-llm-trainer/skills/model-trainer/references/hardware_guide.md对于小于 10 亿参数的微型模型t4-small是一个很好的选择。这类模型训练速度快成本大约在$1-2非常适合教学或实验用途。对于小模型 (1-3B 参数)推荐使用t4-medium或a10g-small。训练耗时几个小时成本在$5-15左右。对于中等模型 (3-7B 参数)需要使用a10g-large或a100-large同时配合 LoRA 微调。完整微调不太可行但借助 LoRA 技术仍然可以高效训练。生产级别训练预算约为$15-40。对于大型模型 (超过 7B)目前 HF Skills Jobs 暂不支持。但请保持关注我们正在开发支持大模型的能力接下来可以做什么我们已经展示了 Codex 如何处理模型微调的完整生命周期验证数据、选择硬件、生成训练脚本、提交任务、监控进度以及转换输出。你可以尝试以下操作使用你自己的数据集微调一个模型进行更大规模的实验使用多个模型和数据集并让代理自动生成训练报告使用 GRPO 方法在数学或代码任务上训练一个推理能力模型并生成完整的实验报告这个Codex 扩展是开源的你可以根据自己的流程进行扩展和定制或者将其作为其他训练场景的起点。Codex 扩展是开源的https://hf-learn.short.gy/gh-hf-skills资源链接CodexCodex 官方文档OpenAI 的 AI 编码代理Codex 快速上手Codex AGENTS 指南使用 AGENTS.md 文件说明Codex 官方文档https://developers.openai.com/codex/Codex 快速上手https://developers.openai.com/codex/Codex AGENTS 指南https://developers.openai.com/codex/Hugging Face SkillsSKILL.md技能文档训练方法指南介绍 SFT、DPO、GRPO 等方法硬件指南TRL 文档Hugging Face 的训练库HF Jobs 文档云端训练任务指南Trackio 文档实时训练监控工具SKILL.mdhttps://github.com/huggingface/skills/blob/main/hf-llm-trainer/skills/model-trainer/SKILL.md训练方法指南https://github.com/huggingface/skills/blob/main/hf-llm-trainer/skills/model-trainer/references/training_methods.md硬件指南https://github.com/huggingface/skills/blob/main/hf-llm-trainer/skills/model-trainer/references/hardware_guide.mdTRL 文档https://hf.co/docs/trlHF Jobs 文档https://hf.co/docs/huggingface_hub/guides/jobsTrackio 文档https://hf.co/docs/trackio英文原文: https://huggingface.co/blog/hf-skills-training-codex原文作者: ben burtenshaw, shaun smith译者: Luke, Hugging Face Fellow