Ebben a videóban lépésről lépésre bemutatják, hogyan lehet a Gemma-4 E2B nevű, kisméretű nyelvi modellt saját, egyedi adathalmazon, lokálisan finomhangolni. Az alkotó a Gandhara civilizációval kapcsolatos, mélyreható kérdés-válasz párokkal gazdagított egyéni adatbázist használ, hogy rávilágítson a modellek alapvető korlátaira és a finomhangolás előnyeire.
Felmerül a kérdés, hogy az alapmodellek milyen mértékben képesek speciális, történelmi vagy kulturális témákban részletesen és pontosan válaszolni, illetve hogyan javítható a teljesítményük személyre szabott adatok bevitelével. A videó praktikus példákon keresztül vezeti végig a nézőt az adat-előkészítés, modelletöltés, LoRA-adapterek alkalmazása és a VRAM-használat optimalizációjának folyamatán.
Technikai szempontból kitér a hardverigényekre (akár CPU-n is futtatható), a modell méretére (5,1 milliárd paraméter, de 2,3 milliárd aktív tanulás közben), a rétegenkénti beágyazás fontosságára, a LoRA-adapterek működésére, valamint a főbb tanítási paraméterek jelentőségére. Olyan témákat is érint, mint a kiértékelési lehetőségek, a modell integrálása a Hugging Face-re, valamint a közösségi támogatás és tudásmegosztás lehetőségei.
