Vom Post-Training zur Produktion: Wie TinyFish sein web-natives Modell auf Databricks AI Runtime betreibt
Von KI aus dem englischen Original übersetzt. Auf Englisch ansehen
TinyFish hat einen durchgehenden Pfad vom Post-Training bis zum Deployment etabliert, indem es Databricks AI Runtime auf verwalteten GPUs, MLflow zur Evaluierung und Databricks Model Serving für die Produktionsinferenz nutzt. Getestet an 2.178 Web-Agent-Aufgaben, erreichte das daraus resultierende web-native Modell eine Erfolgsquote von 77.6 % bei internen Go/No-Go-Benchmarks.
* TinyFish nutzt Databricks AI Runtime zum Trainieren und Fine-Tunen seines web-nativen Modells auf verwalteter GPU-Infrastruktur, kombiniert mit MLflow für die Evaluierung und Databricks Model Serving für die Produktionsinferenz. * Durch die Zusammenführung dieser Workflows verfügt TinyFish über einen kontinuierlichen Pfad vom produktiven Agentenverhalten bis hin zu Post-Training, Evaluierung und Deployment. * Im internen Go/No-Go-Benchmark von TinyFish erzielte das web-native Modell eine Erfolgsquote von 77.6 % bei 2.178 Web-Agent-Aufgaben, gemessen daran, ob der vollständige Agent die angeforderte Arbeit erfolgreich abgeschlossen hat.