训练任务类型

AI Training 支持许多不同的任务。每个任务都针对您想要解决的特定类型问题进行了优化。

文本任务

Text Classification

功能：将文本分类到您定义的类别中。 真实世界示例：

电子邮件垃圾邮件检测
客户反馈情感（高兴/不高兴）
支持工单路由
内容审核
语言检测

您需要：

文本样本
每个样本的类别标签
每个类别至少 50 个示例（越多越好）

示例数据格式：

text,label
"Great product, highly recommend!",positive
"Terrible experience, waste of money",negative
"The item arrived damaged",negative
"Excellent customer service",positive

Token Classification (NER)

功能：标记文本中的特定单词或短语。 真实世界示例：

从文档中提取姓名、日期、地点
在评论中识别产品提及
在临床笔记中查找医学术语
突出重要合同条款
标记词性

您需要：

带有标记实体的文本
BIO 格式（Beginning、Inside、Outside）标签
数百个带注释的示例

示例数据格式：

John B-PERSON
Smith I-PERSON
visited O
New B-LOCATION
York I-LOCATION
yesterday B-DATE

Sequence to Sequence

功能：将一个文本转换为另一个文本。 真实世界示例：

语言翻译
文本摘要
问答
文本纠正
释义

您需要：

输入文本
期望的输出文本
输入-输出示例对

示例数据格式：

input_text,target_text
"The quick brown fox jumps over the lazy dog","Le renard brun rapide saute par-dessus le chien paresseux"
"Hello, how are you?","Bonjour, comment allez-vous?"

Text Generation (LLM Fine-tuning)

功能：教语言模型新知识或行为。 真实世界示例：

自定义聊天机器人
领域特定助手
代码生成
创意写作
技术文档

您需要：

对话示例或指令-响应对
可选：用于 RLHF 的偏好数据
可以仅用 100 个示例工作

示例对话格式：

{
  "messages": [
    {"role": "user", "content": "What is photosynthesis?"},
    {"role": "assistant", "content": "Photosynthesis is the process plants use to convert sunlight into energy..."}
  ]
}

图像任务

Image Classification

功能：识别图像中的内容。 真实世界示例：

产品质量检查
医学图像诊断
野生动物识别
文档类型分类
面部表情识别

您需要：

图像（JPG、PNG）
每个图像的类别标签
每个类别至少 100 张图像

文件夹结构：

data/
  cats/
    cat1.jpg
    cat2.jpg
  dogs/
    dog1.jpg
    dog2.jpg

Object Detection

功能：查找并定位图像中的多个对象。 真实世界示例：

库存计数
安全监控
自动驾驶
缺陷检测
人员计数

您需要：

带边界框的图像
每个框的标签
COCO 或 YOLO 格式注释

结构化数据任务

Tabular Classification

功能：从类似电子表格的数据中预测类别。 真实世界示例：

客户流失预测
欺诈检测
疾病诊断
信用审批
设备故障预测

您需要：

带特征和标签的 CSV
数值和分类列
干净、预处理的数据

示例数据：

age,income,credit_score,approved
25,45000,720,yes
35,65000,650,no
42,85000,780,yes

Tabular Regression

功能：从结构化数据中预测连续值。 真实世界示例：

房价预测
销售预测
能耗估算
股价预测
交付时间估算

您需要：

带特征和目标值的 CSV
数值目标列
历史数据

高级训练方法

Supervised Fine-Tuning (SFT)

使用示例和正确答案的标准训练。 何时使用：当您有高质量的标记数据时。

DPO (Direct Preference Optimization)

使用偏好比较训练模型。 何时使用：当您有好输出与坏输出的示例时。 数据格式：

{
  "prompt": "Write a greeting",
  "chosen": "Hello! How can I help you today?",
  "rejected": "sup"
}

ORPO (Odds Ratio Preference Optimization)

类似于 DPO 但训练更稳定。 何时使用：当 DPO 训练不稳定或过拟合时。

Reward Modeling

训练模型以评分输出。 何时使用：为 RLHF 构建奖励模型时。

PPO (Proximal Policy Optimization)

从反馈中进行强化学习。 何时使用：当您有奖励模型并想针对它进行优化时。

任务选择指南

基于您的数据

如果您有…	选择此任务
文本 + 类别	Text Classification
带实体标签的文本	Token Classification
输入/输出文本对	Sequence to Sequence
对话	LLM Fine-tuning
图像 + 标签	Image Classification
电子表格数据	Tabular Classification/Regression

基于您的目标

如果您想…	选择此任务
将事物分类到桶中	Classification
提取信息	Token Classification
转换文本	Sequence to Sequence
创建聊天机器人	LLM Fine-tuning
预测数字	Regression
查找对象	Object Detection

基于难度

最容易开始：

Text Classification
Image Classification
Tabular Classification

中等难度：

Token Classification
Sequence to Sequence
LLM Fine-tuning (SFT)

高级：

DPO/ORPO 训练
Object Detection
PPO/RLHF

数据要求

所需最少数据

任务	绝对最少	良好起点	生产质量
Text Classification	每类 50	每类 500	每类 5,000+
Token Classification	100 个文档	1,000 个文档	10,000+ 个文档
Seq2Seq	100 对	1,000 对	10,000+ 对
LLM Fine-tuning	50 个示例	500 个示例	5,000+ 个示例
Image Classification	每类 100	每类 1,000	每类 10,000+
Tabular	500 行	5,000 行	50,000+ 行

数据质量很重要

拥有 100 个高质量示例比 1,000 个差示例更好：

准确的标签
一致的格式
代表真实世界使用
跨类别平衡

多任务训练

您可以同时为多个任务训练模型：

好处

在任务之间共享知识
更高效地使用数据
单一模型部署

示例

训练一个模型来：

分类情感
提取实体
总结文本

全部使用相同的基础模型。

任务特定设置

文本任务

Max sequence length：要处理多少文本
Tokenizer：如何将文本拆分为 tokens
Special tokens：任务特定标记

图像任务

Image size：使用的分辨率
Augmentation：旋转、翻转、裁剪
Normalization：像素值缩放

表格任务

Feature engineering：创建新列
Scaling：标准化数值
Encoding：处理分类变量

评估指标

不同任务使用不同的指标：

任务	常见指标
Classification	Accuracy、F1、Precision、Recall
Token Classification	实体级 F1、Token accuracy
Seq2Seq	BLEU、ROUGE、BERTScore
Generation	Perplexity、Human evaluation
Regression	MSE、MAE、R²
Object Detection	mAP、IoU

组合任务

管道方法

将任务链接在一起：

Classification → 路由到专门模型
NER → 提取实体 → 生成响应
Translate → Summarize → Classify sentiment

多模态任务

组合不同的数据类型：

Image + Text → Visual QA
Audio + Text → Speech recognition
Video + Text → Video understanding

下一步

准备好深入了解了吗？

模型类型

选择正确的模型架构

快速开始

训练您的第一个模型

入门

AI 训练基础

核心概念

界面选择

​训练任务类型

​文本任务

​Text Classification

​Token Classification (NER)

​Sequence to Sequence

​Text Generation (LLM Fine-tuning)

​图像任务

​Image Classification

​Object Detection

​结构化数据任务

​Tabular Classification

​Tabular Regression

​高级训练方法

​Supervised Fine-Tuning (SFT)

​DPO (Direct Preference Optimization)

​ORPO (Odds Ratio Preference Optimization)

​Reward Modeling

​PPO (Proximal Policy Optimization)

​任务选择指南

​基于您的数据

​基于您的目标

​基于难度

​数据要求

​所需最少数据

​数据质量很重要

​多任务训练

​好处

​示例

​任务特定设置

​文本任务

​图像任务

​表格任务

​评估指标

​组合任务

​管道方法

​多模态任务

​下一步

模型类型

快速开始

训练任务类型

文本任务

Text Classification

Token Classification (NER)

Sequence to Sequence

Text Generation (LLM Fine-tuning)

图像任务

Image Classification

Object Detection

结构化数据任务

Tabular Classification

Tabular Regression

高级训练方法

Supervised Fine-Tuning (SFT)

DPO (Direct Preference Optimization)

ORPO (Odds Ratio Preference Optimization)

Reward Modeling

PPO (Proximal Policy Optimization)

任务选择指南

基于您的数据

基于您的目标

基于难度

数据要求

所需最少数据

数据质量很重要

多任务训练

好处

示例

任务特定设置

文本任务

图像任务

表格任务

评估指标

组合任务

管道方法

多模态任务

下一步