> ## Documentation Index > Fetch the complete documentation index at: https://docs.devin.ai/llms.txt > Use this file to discover all available pages before exploring further. # Benutzerdefinierte Modelle mit Devin und Modal nachtrainieren > Trainieren Sie mit Devin ein benutzerdefiniertes Modell auf einem Modal-GPU-Outpost nach: Optimieren Sie ein FLUX-LoRA per Fine-Tuning, stellen Sie es als Modal-Endpunkt bereit und liefern Sie es in einem PR aus Devin trainiert ein FLUX-LoRA auf einer Modal-GPU nach, stellt den besten Checkpoint bereit und fügt ihn einer Chat-App hinzu Devin läuft überall dort, wo der Job ausgeführt werden muss. Mit [Devin Outposts](/de/cloud/outposts/overview) kann eine Sitzung auf Ihrer eigenen Infrastruktur oder auf einer Partnerplattform laufen; hier wird sie in einer GPU-Sandbox von [Modal](https://modal.com/docs/devin) ausgeführt. So kann derselbe Devin, der Ihren Code schreibt, ein Modell durchgängig trainieren, evaluieren und bereitstellen. In diesem Tutorial führt Devin ein Fine-Tuning eines FLUX-LoRA mit 18 Otterbildern durch, sodass „Devin the software engineer“ als Otter dargestellt wird, stellt das Modell als Modal-Endpunkt bereit und fügt es der Modellauswahl der Beispiel-App otterchat hinzu. ## Bevor Sie beginnen * **Modal-outpost erstellen**: Führen Sie `uvx modal-devin init` aus und wählen Sie eine GPU für die generierte Modal-App. Siehe [Devin auf Modal ausführen](https://modal.com/docs/devin) und den [Outposts-Schnellstart](/de/cloud/outposts/quickstart.md). * **Repository verbinden**: Das Beispiel-Repo otterchat ist eine Chat-App mit einer Modellauswahl für Bildmodelle. Der outpost checkt es auf ein persistentes Modal Volume aus. * **Trainingsdaten vorbereiten**: Fügen Sie dem Repository oder einem vom outpost eingebundenen Modal Volume Bilder mit Bildunterschriften hinzu. Das Beispiel verwendet 18 Cartoon-Otter-Bilder mit Bildunterschriften wie „Devin the software engineer in a data center“. * **Secrets hinzufügen**: Speichern Sie Ihren Weights-&-Biases-Schlüssel unter [Einstellungen > Secrets](https://app.devin.ai/settings/secrets). Die Modal-sandbox enthält bereits Modal-Anmeldedaten, sodass Devin Endpunkte ohne zusätzliche Einrichtung bereitstellen kann. * **Regeln für lange Durchläufe festlegen**: Fügen Sie [Organisationsregeln](/de/product-guides/plugins.md#rules) hinzu (oder nehmen Sie sie in den Prompt auf), zum Beispiel: alle 15 Minuten ein Fortschritts-Update posten, an jedem Checkpoint Validierungsbilder rendern und den Vorschau-Link in jeden PR aufnehmen. * **Slack verbinden** (optional): Trainingsdurchläufe dauern Stunden. [Synchronisieren Sie die Sitzung daher mit einem Slack-Thread](/de/integrations/slack.md#sync-sessions-with-slack-threads), um den Fortschritt mitzuverfolgen. ## Schritt 1: Eine Sitzung auf dem outpost starten Öffnen Sie [Devin](https://app.devin.ai/), wählen Sie im Menü **Virtual environment** unterhalb des Prompt-Felds Ihren Modal-outpost aus und aktivieren Sie im Composer den Slack-Schalter. Prüfen Sie die Hardware: ```text theme={null} Erzähl mir mehr über deine Umgebung ``` Devin meldet eine NVIDIA B200 mit installiertem PyTorch und diffusers sowie das Projekt auf einem persistenten Modal Volume. ## Schritt 2: Trainingsdaten prüfen ```text theme={null} hey devin zeig mir die bilder die ich fürs supervised learning verwende ``` Devin findet den Datensatz im Projekt und postet die 18 Bilder samt Beschriftungen in der Sitzung und im Slack-Thread. ## Schritt 3: Trainingsdurchlauf starten ```text theme={null} Führen Sie ein Post-Training von Flux durch, um das Modell otterimage 1.0 zu erstellen. Wenn Sie fertig sind, fügen Sie otterimage zur Modellauswahl in otterchat hinzu ``` Devin erledigt den Job eigenständig und befolgt dabei die oben genannten Regeln: 1. **Trainiert das LoRA**: etwa 1.000 Schritte, protokolliert in Weights & Biases, mit Validierungs-Renderings alle 100 Schritte. 2. **Berichtet in Slack**: alle 15 Minuten den Fortschritt mit den neuesten Renderings. Die frühen Renderings zeigen Menschen; im weiteren Trainingsverlauf erscheint der Otter. 3. **Wählt den besten Checkpoint**: Schritt 700, da die Schritte 900 und 1.000 Anzeichen von Overfitting zeigten. 4. **Stellt bereit und liefert aus**: stellt Schritt 700 als serverlosen Modal-Endpunkt bereit, fügt `otterimage 1.0` zur Modellauswahl der Chat-App hinzu, [zeichnet](/de/work-with-devin/testing-and-recordings.md) einen End-to-End-Test auf und öffnet einen PR mit einem Vorschau-Link. ![Raster der Validierungsbilder an jedem Checkpoint](https://mintcdn.com/cognitionai/4bg4JipkvpdMh6Vh/images/tutorial-library/post-training-validation.png?fit=max\&auto=format\&n=4bg4JipkvpdMh6Vh\&q=85\&s=7da45a563e1c6d538643483e75601a74) Validierungs-Renderings von Schritt 500 bis Schritt 1.000 ## Schritt 4: Das Modell testen Öffne den Vorschau-Link aus dem PR und lass dir ein Bild generieren: ```text theme={null} Erstelle ein Bild von Devin, dem Softwareentwickler, wie er Spaghetti isst ``` ![Die Chat-App liefert einen Cartoon-Otter, der Spaghetti isst](https://mintcdn.com/cognitionai/4bg4JipkvpdMh6Vh/images/tutorial-library/post-training-otterchat.png?fit=max\&auto=format\&n=4bg4JipkvpdMh6Vh\&q=85\&s=e7a6d33991a5cd2089bebc64857f98ec) Derselbe Prompt erzeugt bei einem universellen Bildmodell einen Menschen. ## Schritt 5: Mit untergeordneten Sitzungen iterieren Nachtrainieren ist selten mit einem einzigen Durchlauf erledigt. Geben Sie Devin ein Paper und lassen Sie Devin die Alternativen parallel ausprobieren: ```text theme={null} https://arxiv.org/pdf/2309.14859v2 starte Untersitzungen, die otterimage mit den anderen in diesem Paper aufgeführten Techniken außer LoRA trainieren ``` Devin fügt die neuen Methoden in einem PR zum Trainingsskript hinzu und startet auf dem outpost drei [untergeordnete Sitzungen](/de/work-with-devin/advanced-capabilities.md#managed-devins) – jeweils eine für LoHa, LoKr und natives Fine-Tuning. ![Devins Sitzung mit drei untergeordneten Sitzungen für LoHa, LoKr und natives Fine-Tuning](https://mintcdn.com/cognitionai/4bg4JipkvpdMh6Vh/images/tutorial-library/post-training-child-sessions.png?fit=max\&auto=format\&n=4bg4JipkvpdMh6Vh\&q=85\&s=8892cdce447e15e95fc4a01187f6af09) ## Nächste Schritte > **[Devin auf Modal ausführen](https://modal.com/docs/devin)** > > Erstellen Sie einen Modal-basierten Outpost mit GPUs, Volumes und Secrets > **[Devin Outposts](/de/cloud/outposts/overview)** > > Führen Sie Sitzungen auf Ihrer eigenen Infrastruktur oder einer Partnerplattform aus > **[Slack-Integration](/de/integrations/slack.md)** > > Verfolgen Sie lang laufende Sitzungen in einem Slack-Thread > **[Verwaltete Devins](/de/work-with-devin/advanced-capabilities.md#managed-devins)** > > Starten und überwachen Sie untergeordnete Sitzungen für parallele Experimente This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.