微调模型

使用指定的训练数据集微调模型。

选项 

• 账户名是用于 AI 账户名的文本表达式。在当前文件中，使用配置 AI 账户脚本步骤设置账户，并在此脚本步骤运行之前随时为其分配此名称。

• 基础模型是用于微调的文本生成模型的文本表达式。有关支持的模型，请参阅 FileMaker 技术规格。

• 训练数据指定用于微调的训练数据的来源：

  • 表：根据当前的搜索结果使用指定表摹本中的数据。对于训练，来自完成字段的数据用作助手响应；来自所有其他字段的数据用作相应的用户提示。

  • 文件：使用包含训练数据的 JSONL 文件。每行必须是包含用户提示及其相应的助手响应的有效 JSON 对象。

• 响应目标指定模型提供商返回 JSON 对象的字段或变量，其中包含有关此脚本步骤启动的微调作业的信息。

• 微调参数是 JSON 对象的文本表达式，由模型提供商支持的其他参数的键值对组成。

选项仅在训练数据为表时才可用：

• 表的值指定用于训练数据的表摹本。

• 完成字段指定表中包含供训练使用的预期助手响应或答案的字段。

仅当训练数据为文件时才可用：

• 文件的值指定包含训练数据的 JSONL 文件的一个或多个路径列表。路径必须使用 file 路径前缀之一。脚本步骤会搜索列表，并添加它成功找到的第一个 JSONL 文件。请参阅创建文件路径。

原始版本 

22.0

说明 

此脚本步骤将训练数据发送给受支持的模型提供商，以使用低阶适应 (LoRA) 技术创建基础 AI 模型的微调版本。微调允许您通过在您自己的数据上进行训练，同时保留基础模型的一般功能，为特定任务、域或响应样式自定义模型的行为。例如，您可以微调模型，以使用您公司的特定术语、写作风格或领域专业知识来更好地响应。LoRA 是一种高效的方法，可以在不修改原始权重的情况下将小的可训练参数添加到模型中。与完整模型微调相比，这种方法所需的计算资源和内存显著减少，同时还能实现相当的性能提升。

账户名称指定的 AI 账户必须为以下模型提供商之一配置：

• OpenAI

• 在 Apple silicon Mac 上与 FileMaker Server 一起提供的 AI 模型服务器

其他模型提供商和操作系统不支持微调。请参阅 FileMaker 技术规格。

训练数据

训练数据可以从 FileMaker 表或 JSON 行 (JSONL) 文件提供。每个训练示例都由用户提示和所需的助手响应组成。然后，当给出类似的提示时，模型能够生成与您的训练示例类似的响应。

{
  "消息" : 
  [
    {
      "内容" : "<FieldName1>=<Data1>, <FieldName2>=<Data2>, ... ",
      "角色" : "用户"
    },
    {
      "内容" : "<Completion_Field_Data>",
      "角色" : "助手"
    }
  ]
}

{
  "消息" : 
  [
    {
      "内容" : "<User_Prompt>",
      "角色" : "用户"
    },
    {
      "内容" : "<Assistant_Prompt>",
      "角色" : "助手"
    }
  ]
}

回复目标

要获取有关此脚本步骤启动的微调作业的信息，请为“响应目标”选项指定一个变量或字段。微调可能需要相当长的时间，因此您需要与模型提供商核实，以确定该过程何时完成，微调的模型何时可以使用。

例如，AI 模型服务器在以下情况下发送如下所示的响应：

• “文件”指定的 JSONL 文件是 my-training-data.jsonl。

• 基础模型是 google/codegemma-7b-it。

• “微调参数”中指定的 fine_tuned_model_name 键的值是 my-fine-tuned-model-name。“响应目标”中 fine_tuned_model 键的值是 AI 模型服务器分配的全名。

{
  "result": {
    "object": "fine_tuning.job",
    "id": "fm-ftjob-1753297022103",
    "file_id": "fm-ft-train-1753297022070",
    "model": "google/codegemma-7b-it",
    "created_at": 1753297022103,
    "fine_tuned_model": "fm-mlx-my-fine-tuned-model-name",
    "status": "queued",
    "training_file": "my-training-data.jsonl",
    "tags": [
      "fine-tune"
    ]
  }
}

要确定 AI 模型服务器何时完成微调，请登录 FileMaker Server Admin Console。参见“注释”。

微调参数

“微调参数”选项可用于指定模型提供商支持的微调参数。有关受支持参数的键名称及其有效范围，请参阅模型提供商的文档。

对于 FileMaker Server 提供的 AI 模型服务器，如果需要，您可以使用以下键和值来调整微调。如果未指定密钥或未使用“微调参数”选项，则脚本步骤将使用默认值。

例如，这个 JSON 对象在“微调参数”选项中设置了键：

{
  "max_steps": 2000,
  "learning_rate": 1e-4,
  "batch_size": 2,
  "lora_layers": 6,
  "fine_tuned_model_name": "customer-support-v1"
}

注释 

• 微调需要大量的计算资源。在 AI 模型服务器上一次运行多个微调作业可能会对系统性能产生负面影响。

• 要监控 AI 模型服务器上微调模型的状态（例如，判断训练何时完成），请打开 FileMaker Server Admin Console。在那里，您还可以通过上传 JSONL 文件直接创建微调模型。请参阅 FileMaker Server 帮助中的创建 AI 微调模型。

示例 1-使用表格数据进行基本微调

用表格中的数据微调 OpenAI 模型。该脚本为 OpenAI 配置 AI 账户，并进入 Support_QA 布局。Support_QA 表格包含“问题”和“答案”字段等。脚本执行查找以获取所需的发现集，然后从这些记录中发送数据以微调 GPT-4.1 模型，指定完成字段的答案字段（来自所有其他字段的数据作为用户提示发送）。

配置 AI 账户 [ 账户名称: "my-account" ; 模型提供商: OpenAI ; API 密钥: Global::OpenAI_API_Key ]

转到布局 [ "Support_QA" (Support_QA) ]

执行查找 [ 恢复 ]

微调模型 [ 账户名称: "my-account" ; 基础模型: "gpt-4.1-2025-04-14" ; 训练数据: 表 ; "Support_QA" ; 完成字段: Support_QA::Answer ; 响应目标: $$responseTarget ]

当 OpenAI 通知您训练已完成并提供微调的模型名称时，您可以在脚本步骤中使用模型，例如从模型生成回复：

从生成模型响应 [ 账户名称: "my-account" ; 模型: "ft:gpt-4o-mini-2024-07-18:my-org::LBNO71Qq" ; 用户提示: $question ; 代理模式 ; 响应: $$response ]

示例 2-使用 JSONL 文件进行微调

通过发送在示例 2 中为将记录保存为 JSONL脚本步骤所创建的 JSONL 文件，在 AI 模型服务器上对模型进行微调。该脚本配置 AI 账户，并将 $trainingFile 变量设置为文档文件夹中 JSONL 文件的路径。

然后，脚本将 $parameters 变量设置为包含用于微调参数的键值对的 JSON 对象，包括设置根名称以提供微调模型。

最后，脚本将 $trainingFile 指定的 JSONL 文件发送到 AI 模型服务器，指示要微调的基础模型、要使用的参数和要存储回复的 $response 变量。为了使完全微调的模型名称可供以后使用，脚本从 $response 获取名称，并将其存储在全局字段中。

配置 AI 账户 [ 账户名称: "AI_Model_Server" ; Model Provider: Custom ; 端点: "https://myserver.example.com/llm/v1/" ; API 密钥: Global::Fine_Tuning_API_Key ;验证 SSL 证书]

设置变量 [ $trainingFile ; 值: Get(文档路径) & "training_data.jsonl" ]

设置变量 [ $parameters ; 值: 
  Let ( [
    json = "{}" ;
    json = JSONSetElement ( json; "max_steps"; 1500; JSONString ) ;
    json = JSONSetElement ( json; "learning_rate"; 1e-4; JSONString ) ;
    json = JSONSetElement ( json; "batch_size"; 2; JSONString ) ;
    json = JSONSetElement ( json; "fine_tuned_model_name"; "product-expert-v2" ; JSONString )
  ] ;
    json
  )
]

微调模型 [ 账户名: "AI_Model_Server" ; 基础模型: "google/codegemma-7b-it" ; 训练数据: 文件 ; "$trainingFile" ; 响应目标: $responseTarget ; 微调参数: $parameters ]

设置字段 [ Global::Fine_Tuned_Model ; JSONGetElement ( $responseTarget ; "result.fine_tuned_model" ) ]

相关主题 

• 将记录保存为 JSONL脚本步骤

• 配置 AI 账户脚本步骤

• 从模型生成回复脚本步骤

• 设置 AI 调用日志记录脚本步骤

• 使用 JSON 函数

• 脚本步骤参考