尧图网站建设 
Soup模型注册表registry实战血缘追踪让每次微调可回溯【免费下载链接】SoupFine-tune LLMs from one YAML. Layer streaming trains an 8B model on a 4 GB laptop GPU.项目地址: https://gitcode.com/GitHub_Trending/soup12/SoupSoup 是一款「一个 YAML 就能微调大模型」的开源自研工具支持在 4 GB 笔记本显卡上训练 8B 模型。但你微调了十几轮之后还能说清每个模型版本来自哪份配置、哪份数据集吗Soup 内置的模型注册表Model Registry为每次微调记录内容哈希、产物指纹和父子血缘让每个模型都可回溯、可对比、可晋升上线。下面带你 5 分钟上手这套机制。模型注册表解决什么问题 微调大模型的人大概都经历过这些场景磁盘上躺着 5 个 LoRA 权重却分不清哪个才是效果最好的三个月后想复现某次训练找不到当时的配置和数据集上线前想对比 v1 和 v2 的差异只能靠翻聊天记录Soup 的做法是在本地维护一个 SQLite 注册表默认位于~/.soup/registry.db把每一次训练运行登记为一个条目entry内容哈希配置 数据文件 基座模型名共同算出的 SHA-256 指纹同配方必同哈希产物清单adapter、合并权重、GGUF、评估结果等文件各自记录 SHA-256 与大小血缘指针条目之间记录父子关系形成一张可追溯的谱系图整个过程不依赖任何云端服务数据完全留在本地。️ 上图是 Soup 的 Web UI 新建训练界面选一个模板编辑 YAML 里的base、data、training参数即可启动微调。训练结束后这次运行就可以被登记进注册表。注册表的完整设计文档见 docs/adapters-and-governance.md源码位于 src/soup_cli/registry/。快速上手注册第一个微调产物 训练完成后运行 id 形如run_202611_abc123一条命令就能登记入册soup registry push --run-id run_202611_abc123 --name llama31-chat --tag v1push会自动从训练追踪器中取出这次运行的完整配置与基座模型信息算好哈希并生成条目 ID形如reg_20261114_9f3ab2c1d0e4。接下来就是日常四连命令作用soup registry list --name llama31-chat --tag prod按名称/标签/基座/任务过滤查看条目soup registry show llama31-chat-v1查看完整详情配置、产物、祖先谱系soup registry search medical reasoning跨名称/基座/任务/备注全文检索soup registry promote llama31-chat-v1 --tag prod给条目加prod标签晋升为生产版本实现都在 src/soup_cli/commands/registry.py每个子命令就是一个独立的小函数逻辑非常直白。 上图是 Soup 的层流式layer streaming微调启动画面32 层模型只需在显存中占用 2 个 113 MB 的缓冲区。这样省显存的能力意味着你可以在低配机器上多跑几轮实验——而注册表正是帮你把这些实验「管得住」的那只手。内容哈希给每次微调一个唯一指纹 注册表最核心的设计是确定性哈希实现在 src/soup_cli/registry/hashing.pyhash_config把配置字典序列化为「键排序」的规范 JSON 再取 SHA-256——配置项书写顺序不同哈希依然一致hash_file数据文件按 1 MB 分块流式读取哈希GB 级数据集也不会撑爆内存hash_entry把config base_model data_sha256组合成一个总指纹唯一标识「这份配方 这批数据 这个基座」两个细节很贴心数据文件按内容而非路径哈希——文件挪个位置指纹不变哈希按内容计算所以「两次训练是否真的用了同一份数据」不再靠肉眼核对血缘追踪把谱系树画出来 每次登记时条目可以指向它的「父条目」关系类型有四种forked_from从某版本分支/派生而来merged_from由多个适配器合并而来evaluated_with评估所用的基准promoted_from由某个版本晋升而来这些父子边存进registry_lineage表见 src/soup_cli/registry/store.py构成一张有向无环图DAG。写入时还会做环检测——如果这条边会让谱系「绕回自己」直接拒绝保证谱系永远是一棵能走到底的树。想查看某条谱系用一条命令即可soup history llama31-chat它会以树形结构打印出该名称下所有条目、各自的标签、创建时间以及向上 5 层的祖先和向下 5 层的后代连从注册表挂接的 adapter 分支快照branch_ref也会显示出来。实现在 src/soup_cli/commands/history.py。这样一来当线上模型出问题时你可以沿血缘一路回溯它由哪次合并产生合并的父版本用了什么数据配置又改了哪几项——每一跳都有哈希背书。两个版本一键对比配置差异 评估增量 soup registry diff llama31-chat-v1 llama31-chat-v2这条命令输出两张表配置差异config diff把两侧 YAML 配置展开成点路径逐项标出added / removed / changed比如training.lr: 2e-5 → 1e-5评估增量eval delta自动关联两个条目 run 的评估记录逐个 benchmark 列出左、右分数与差值对比算法在 src/soup_cli/registry/diff.pydiff命令直接复用它。日常管理引用解析与删除 ⚙️注册表在细节上做得相当「防呆」灵活引用条目可以用完整 ID、ID 前缀、或name:tag三种方式引用前缀若命中多个条目会报错而不是默默选一个避免误操作晋升与清理promote只是加标签不改数据delete --yes会通过外键级联删掉关联的产物和血缘记录安全数据库文件在 POSIX 系统上自动设为600权限路径可用环境变量SOUP_REGISTRY_DB_PATH覆盖命名规范名称最长 128 字符、标签最长 64 字符只允许字母数字与_ - .避免脏数据混入谱系写在最后 ✨Soup 模型注册表把「微调产物管理」这件事做成了本地化、零依赖、可审计的形态哈希保证可复现血缘保证可回溯diff 保证可对比promote 保证可治理。如果你也在频繁迭代 LoRA / 全参微调这套机制值得直接借鉴——相关实现集中在 src/soup_cli/registry/ 与 src/soup_cli/commands/registry.py配合 docs/adapters-and-governance.md 阅读体验更佳。【免费下载链接】SoupFine-tune LLMs from one YAML. Layer streaming trains an 8B model on a 4 GB laptop GPU.项目地址: https://gitcode.com/GitHub_Trending/soup12/Soup创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Soup模型注册表（registry）实战：血缘追踪让每次微调可回溯
Soup模型注册表registry实战血缘追踪让每次微调可回溯【免费下载链接】SoupFine-tune LLMs from one YAML. Layer streaming trains an 8B model on a 4 GB laptop GPU.项目地址: https://gitcode.com/GitHub_Trending/soup12/SoupSoup 是一款「一个 YAML 就能微调大模型」的开源自研工具支持在 4 GB 笔记本显卡上训练 8B 模型。但你微调了十几轮之后还能说清每个模型版本来自哪份配置、哪份数据集吗Soup 内置的模型注册表Model Registry为每次微调记录内容哈希、产物指纹和父子血缘让每个模型都可回溯、可对比、可晋升上线。下面带你 5 分钟上手这套机制。模型注册表解决什么问题 微调大模型的人大概都经历过这些场景磁盘上躺着 5 个 LoRA 权重却分不清哪个才是效果最好的三个月后想复现某次训练找不到当时的配置和数据集上线前想对比 v1 和 v2 的差异只能靠翻聊天记录Soup 的做法是在本地维护一个 SQLite 注册表默认位于~/.soup/registry.db把每一次训练运行登记为一个条目entry内容哈希配置 数据文件 基座模型名共同算出的 SHA-256 指纹同配方必同哈希产物清单adapter、合并权重、GGUF、评估结果等文件各自记录 SHA-256 与大小血缘指针条目之间记录父子关系形成一张可追溯的谱系图整个过程不依赖任何云端服务数据完全留在本地。️ 上图是 Soup 的 Web UI 新建训练界面选一个模板编辑 YAML 里的base、data、training参数即可启动微调。训练结束后这次运行就可以被登记进注册表。注册表的完整设计文档见 docs/adapters-and-governance.md源码位于 src/soup_cli/registry/。快速上手注册第一个微调产物 训练完成后运行 id 形如run_202611_abc123一条命令就能登记入册soup registry push --run-id run_202611_abc123 --name llama31-chat --tag v1push会自动从训练追踪器中取出这次运行的完整配置与基座模型信息算好哈希并生成条目 ID形如reg_20261114_9f3ab2c1d0e4。接下来就是日常四连命令作用soup registry list --name llama31-chat --tag prod按名称/标签/基座/任务过滤查看条目soup registry show llama31-chat-v1查看完整详情配置、产物、祖先谱系soup registry search medical reasoning跨名称/基座/任务/备注全文检索soup registry promote llama31-chat-v1 --tag prod给条目加prod标签晋升为生产版本实现都在 src/soup_cli/commands/registry.py每个子命令就是一个独立的小函数逻辑非常直白。 上图是 Soup 的层流式layer streaming微调启动画面32 层模型只需在显存中占用 2 个 113 MB 的缓冲区。这样省显存的能力意味着你可以在低配机器上多跑几轮实验——而注册表正是帮你把这些实验「管得住」的那只手。内容哈希给每次微调一个唯一指纹 注册表最核心的设计是确定性哈希实现在 src/soup_cli/registry/hashing.pyhash_config把配置字典序列化为「键排序」的规范 JSON 再取 SHA-256——配置项书写顺序不同哈希依然一致hash_file数据文件按 1 MB 分块流式读取哈希GB 级数据集也不会撑爆内存hash_entry把config base_model data_sha256组合成一个总指纹唯一标识「这份配方 这批数据 这个基座」两个细节很贴心数据文件按内容而非路径哈希——文件挪个位置指纹不变哈希按内容计算所以「两次训练是否真的用了同一份数据」不再靠肉眼核对血缘追踪把谱系树画出来 每次登记时条目可以指向它的「父条目」关系类型有四种forked_from从某版本分支/派生而来merged_from由多个适配器合并而来evaluated_with评估所用的基准promoted_from由某个版本晋升而来这些父子边存进registry_lineage表见 src/soup_cli/registry/store.py构成一张有向无环图DAG。写入时还会做环检测——如果这条边会让谱系「绕回自己」直接拒绝保证谱系永远是一棵能走到底的树。想查看某条谱系用一条命令即可soup history llama31-chat它会以树形结构打印出该名称下所有条目、各自的标签、创建时间以及向上 5 层的祖先和向下 5 层的后代连从注册表挂接的 adapter 分支快照branch_ref也会显示出来。实现在 src/soup_cli/commands/history.py。这样一来当线上模型出问题时你可以沿血缘一路回溯它由哪次合并产生合并的父版本用了什么数据配置又改了哪几项——每一跳都有哈希背书。两个版本一键对比配置差异 评估增量 soup registry diff llama31-chat-v1 llama31-chat-v2这条命令输出两张表配置差异config diff把两侧 YAML 配置展开成点路径逐项标出added / removed / changed比如training.lr: 2e-5 → 1e-5评估增量eval delta自动关联两个条目 run 的评估记录逐个 benchmark 列出左、右分数与差值对比算法在 src/soup_cli/registry/diff.pydiff命令直接复用它。日常管理引用解析与删除 ⚙️注册表在细节上做得相当「防呆」灵活引用条目可以用完整 ID、ID 前缀、或name:tag三种方式引用前缀若命中多个条目会报错而不是默默选一个避免误操作晋升与清理promote只是加标签不改数据delete --yes会通过外键级联删掉关联的产物和血缘记录安全数据库文件在 POSIX 系统上自动设为600权限路径可用环境变量SOUP_REGISTRY_DB_PATH覆盖命名规范名称最长 128 字符、标签最长 64 字符只允许字母数字与_ - .避免脏数据混入谱系写在最后 ✨Soup 模型注册表把「微调产物管理」这件事做成了本地化、零依赖、可审计的形态哈希保证可复现血缘保证可回溯diff 保证可对比promote 保证可治理。如果你也在频繁迭代 LoRA / 全参微调这套机制值得直接借鉴——相关实现集中在 src/soup_cli/registry/ 与 src/soup_cli/commands/registry.py配合 docs/adapters-and-governance.md 阅读体验更佳。【免费下载链接】SoupFine-tune LLMs from one YAML. Layer streaming trains an 8B model on a 4 GB laptop GPU.项目地址: https://gitcode.com/GitHub_Trending/soup12/Soup创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考