BPE, które możesz zatrzymać.
Zobacz bajty UTF-8, policz pary i przewidź następny merge. Potem zaimplementuj ten sam mechanizm w Pythonie.
Otwórz interaktywne laboratorium →Zbuduj model.
Zdobądź pierwszą flagę.
Od bajtów do własnego GPT. Eksperymentuj w przeglądarce, sięgaj po nagrania i oddawaj działający kod. Każdą misję kończy artefakt sprawdzony przez grader.
Laboratorium BPE jest otwarte. Submity wymagają klucza uczestnika bety. M0 dostępne teraz; pozostałe misje w przygotowaniu.
Flaga pochodzi z wyniku.
Grader sprawdza indywidualny challenge i jakość tokenizera. PASS odblokowuje Twoją flagę M0. Najlepszy zaliczony wynik trafia do publicznego rankingu.
Możesz korzystać z AI. Liczy się poprawność i wynik na nieznanych danych.
Osiem misji. Osiem artefaktów.
Kolejne części składają się na jeden model. Misję otwieramy dopiero z kodem, kryterium zaliczenia i automatycznym testem.
Tokenizer BPE
192 merge’y + tokenizer → flaga
Wejdź →Dane
Pipeline → jakość próbki
Jeszcze niedostępne
Bigram → attention
Model → validation loss
Jeszcze niedostępne
Pełny GPT
Wagi → loss + generacja
Jeszcze niedostępne
Trening na serio
Run → throughput + resume
Jeszcze niedostępne
Skalowanie + MoE
Runy → predykcja lossu
Jeszcze niedostępne
SFT + alignment
Model → win rate
Jeszcze niedostępne
Capstone
Repo HF → leaderboard
Jeszcze niedostępne
Wideo obok zadania.
Istniejące warsztaty prowadzą od teorii BPE przez implementację do polskich znaków i testów. W misji znajdziesz odtwarzacz i skróty do rozdziałów. Nagrania pozostają dostępne dla uczestników archiwum.
Przejdź do materiału M0 →Wynik, który da się sprawdzić.
Najlepsza zaliczona próba każdego uczestnika w bieżącej wersji misji.
Ładowanie rankingu…