[Registro de Desarrollo Maeumjigi #15] Visualización de Resultados de 5 Modelos y Configuración Local
El 7 de mayo sintetizamos los resultados de los 5 modelos que habíamos entrenado (Llama3.3-70B, DSR1-70B, HCX-Omni-8B, Qwen35-9B, HCX-Text-1.5B) y procedimos con la visualización a gran escala.
Configuración Local para la Comparación de Modelos
Para revisar cómodamente los resultados en mi computadora portátil, creé un nuevo cuaderno: 31_comparison_local.ipynb.
"¿No puede 30_comparison.ipynb ejecutarse también en mi computadora?"
Al configurar el kernel local de Jupyter en VSCode e instalar las bibliotecas, enfrenté bloqueos del kernel y errores como ModuleNotFoundError. Sin embargo, los resolví paso a paso arreglando las rutas.
Informe Completo y Gráficos
La tarea más importante fue visualizar el rendimiento de estos 5 modelos para compararlos de un vistazo. Junto con la IA, establecimos un plan y comenzamos a organizar los datos sistemáticamente.
"¿Cuál es la diferencia entre la línea tenue y la línea gruesa? Visualice el training loss y el eval loss."
Eliminé las líneas de tendencia innecesarias de los gráficos generados por la IA, extrayendo finalmente 03_training_loss_all.png y 04_eval_loss_all.png que reunieron perfectamente las curvas de pérdida de todos los modelos en un solo lugar.
Ahora, basándonos en estos gráficos, podemos decorar maravillosamente nuestros materiales de presentación de la próxima semana.