Hugging Face Jobs を使ったデプロイ

Hugging Face Jobs を使って Codex / Claude Code で LFM をファインチューニングするためのデプロイ方法（SKILL を用いる）。

このガイドは、次の使い方を説明します： Unsloth および Liquid LFM2.5 のようなコーディングエージェントを介した高速なLLMファインチューニングのために Claude Code & OpenAI Codex。Unslothは標準的な方法と比べて約2倍の高速なトレーニングと約60%少ないVRAM使用を提供します。

必要なもの：

• 1つの Hugging Face アカウント（HF Jobs用に必須）

• 書き込み権限を持つHugging Faceトークン

• コーディングエージェント（Open Code、Claude Code、Codex）

• 私たちの Claude Code & OpenAI Codex それらのセットアップに関するガイドをお読みください。

スキルのインストール

Claude Code

Claude Codeはその プラグインシステム.

1. を通じてスキルを検出します。マーケットプレイスを追加：

/plugin marketplace add huggingface/skills

1. 利用可能なスキルを次の Discover タブで参照してください：

/plugin

1. モデルトレーナースキルをインストール：

/plugin install hugging-face-model-trainer@huggingface-skills

詳細については、次を参照してください： Claude Codeプラグインのドキュメント および スキルのドキュメント.

Codex

Codexはスキルを次の方法で検出します： AGENTS.md ファイルおよび .agents/skills/ ディレクトリ。

個別のスキルは次でインストールします： $skill-installer

$skill-installer install https://github.com/huggingface/skills/tree/main/skills/hugging-face-model-trainer

詳細については、次を参照してください： Codexスキルのドキュメント および AGENTS.mdガイド.

クイックスタート

スキルがインストールされたら、コーディングエージェントにモデルのトレーニングを依頼してください。ここでは次を使用します： Liquid LFM2.5

Unslothを使ってHF Jobs上でtrl-lib/CapybaraのLiquidAI/LFM2.5-1.2B-Instructをトレーニングする

エージェントはスキル内の サンプルに基づいてトレーニングスクリプトを生成し、HF Jobsにトレーニングを送信し、Trackio経由で監視リンクを提供します。

Hugging Face Jobsの使用

トレーニングジョブは次で実行されます： Hugging Face Jobs — 完全に管理されたクラウドGPUです。Google Colabのクレジットに慣れている場合、Hugging Face Jobsも同様のクレジット制度を提供しています。従量課金制で、事前にクレジットを取得することも可能です。エージェントは次を行います：

1. インライン依存関係を含むUVスクリプトを生成します

2. それを hf CLI

3. 経由でHF Jobsに送信します

4. ジョブIDと監視用URLを報告します

トレーニングされたモデルはあなたのHugging Face Hubリポジトリにプッシュされます

サンプルトレーニングスクリプト

スキルは次のようなスクリプトを生成します：
# /// script
# ///

# dependencies = ["unsloth", "trl>=0.12.0", "datasets", "trackio"]
from unsloth import FastLanguageModel
from trl import SFTTrainer, SFTConfig

from datasets import load_dataset
    model, tokenizer = FastLanguageModel.from_pretrained(
    "Qwen/Qwen2.5-0.5B",
    load_in_4bit=True,
)

max_seq_length=2048,
    model = FastLanguageModel.get_peft_model(
    model,
    r=16,
    lora_alpha=32,
    lora_dropout=0,
                    target_modules=["q_proj", "k_proj", "v_proj", "o_proj",
)

"gate_proj", "up_proj", "down_proj"],

dataset = load_dataset("trl-lib/Capybara", split="train")
    trainer = SFTTrainer(
    model=model,
    tokenizer=tokenizer,
    train_dataset=dataset,
        args=SFTConfig(
        output_dir="./output",
        push_to_hub=True,
        hub_model_id="username/my-model",
        per_device_train_batch_size=4,
        gradient_accumulation_steps=4,
        num_train_epochs=1,
        learning_rate=2e-4,
    ),
)

report_to="trackio",
trainer.train()

trainer.push_to_hub()

Hugging Face Jobsでのトレーニング費用は以下のとおりです：	モデルサイズ	推奨GPU
概算費用/時間	<1B パラメータ	~$0.40
t4-small	1-3B パラメータ	~$0.60
t4-medium	3-7B パラメータ	~$1.00
a10g-small	7-13B パラメータ	~$3.00

a10g-large Hugging Faceスペースの価格に関する完全な概要は、次のガイドを確認してください：.

こちら

• コーディングエージェントと協働する際のヒント 使用するモデルとデータセットについて具体的に指定し、HubのID（例：, Qwen/Qwen2.5-0.5Btrl-lib/Capybara

• ）を含めてください。エージェントはそれらの組み合わせを検索して検証します。

• 使用する場合はUnslothを明示的に言及してください。そうでなければエージェントはモデルと予算に基づいてフレームワークを決定します。

• 大きなジョブを開始する前にコスト見積もりを求めてください

• リアルタイムの損失曲線用にTrackio監視を要求してください

送信後にログを検査するようエージェントに依頼してジョブステータスを確認してください

• リソース：Hugging Faceスキルリポジトリ