Különleges megközelítésben mutatja be ez a videó, hogyan lehet egy 0,8 milliárd paraméteres Qwen 3.5 mesterséges intelligenciát saját adathalmazon helyileg finomhangolni, lépésről lépésre. A tartalom az adatkészítés jelentőségére is felhívja a figyelmet: egyedi, minőségi, török kebab témájú kérdés-válasz párokat használ, amelyeket többféle AI segítségével generáltak le.
Megismerhetjük a LoRA (low rank adaptation) technikát, amelynek célja, hogy a teljes modell helyett csupán néhány speciális réteget hangoljunk tovább, ezzel jelentősen csökkentve a szükséges erőforrásokat, mégis elérve a kívánt specializációt. Az adaptáció fő lépéseit, a szükséges könyvtárakat és a modellezés alapjait is részletesen magyarázza a szerző, kitérve olyan fogalmakra, mint az SFT (felügyelt finomhangolás) vagy a VRAM optimalizálás.
A gyakorlati részben a videó bemutatja, hogy mire érdemes figyelni a formátumoknál, hogyan lehet gyorsan és hatékonyan végigvinni egy betanítási folyamatot, és hogy mennyire kulcsfontosságú a pontos adat-előkészítés. Összetett parancsokat, paramétereket és tippeket oszt meg, amelyek megkönnyítik a modellezők munkáját. Felvezet érdekes kérdéseket is, például: hogyan érdemes megválasztani a LoRA paramétereit, mikor célszerű növelni az adatmennyiséget, vagy milyen előnyei és hátrányai vannak a különböző precíziós beállításoknak.
