> ## 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. # Pós-treine modelos personalizados com Devin e Modal > Pós-treine um modelo personalizado com Devin em um posto avançado de GPU do Modal: faça o ajuste fino de um LoRA do FLUX, implante-o como um endpoint do Modal e entregue-o em um PR Devin fazendo o pós-treinamento de um LoRA do FLUX em uma GPU do Modal, implantando o melhor checkpoint e adicionando-o a um app de chat O Devin é executado onde quer que o job precise rodar. Com o [Devin Outposts](/pt-BR/cloud/outposts/overview), uma sessão pode ser executada na sua própria infraestrutura ou em uma plataforma parceira; aqui, ela roda em um sandbox com GPU do [Modal](https://modal.com/docs/devin), para que o mesmo Devin que escreve seu código possa treinar, avaliar e implantar um modelo de ponta a ponta. Neste tutorial, o Devin faz o ajuste fino de um LoRA do FLUX com 18 imagens de lontras para que "Devin, o engenheiro de software" seja gerado como uma lontra, implanta o modelo como um endpoint do Modal e o adiciona ao seletor de modelos de um app de chat. ## Antes de começar * **Crie um posto avançado no Modal**: execute `uvx modal-devin init` e escolha uma GPU para o app do Modal gerado. Consulte [Execute o Devin no Modal](https://modal.com/docs/devin) e o [início rápido do Outposts](/pt-BR/cloud/outposts/quickstart.md). * **Conecte seu repositório**: o app ao qual você quer integrar o modelo. O vídeo usa um app de chat de demonstração privado com um seletor de modelos de imagem, cujo checkout é feito em um Modal Volume persistente. Ainda não tem um app? Peça ao Devin para criar um antes (por exemplo, `build a simple chat app with a model picker that calls an image generation endpoint`) ou dispense o app e peça ao Devin apenas para treinar e implantar o modelo. * **Prepare seus dados de treinamento**: adicione imagens com legendas ao repositório ou a um Modal Volume montado pelo posto avançado. O exemplo usa 18 imagens de lontras em estilo cartoon, com legendas como "Devin the software engineer in a data center". * **Adicione segredos**: armazene sua chave do Weights & Biases em [Configurações → Secrets](https://app.devin.ai/settings/secrets). O sandbox do Modal já vem com as credenciais do Modal, então o Devin pode implantar endpoints sem nenhuma configuração adicional. * **Defina regras para execuções longas**: adicione [regras da organização](/pt-BR/product-guides/plugins.md#rules) (ou inclua-as no prompt), como: publicar uma atualização de progresso a cada 15 minutos, renderizar imagens de validação a cada checkpoint e incluir o link de prévia em todos os PRs. * **Conecte o Slack** (opcional): as execuções de treinamento levam horas, então [sincronize a sessão com uma conversa encadeada no Slack](/pt-BR/integrations/slack.md#sync-sessions-with-slack-threads) para acompanhar o andamento. ## Etapa 1: Inicie uma sessão no posto avançado Abra o [Devin](https://app.devin.ai/), selecione seu posto avançado Modal no menu **Virtual environment** abaixo da caixa de prompt e ative o controle do Slack no compositor. Verifique o hardware: ```text theme={null} me conte mais sobre o seu ambiente ``` O Devin informa que há uma NVIDIA B200 com PyTorch e diffusers instalados, e que o projeto está em um Modal Volume persistente. ## Etapa 2: Verifique os dados de treinamento ```text theme={null} ei devin me mostra as imagens que to usando pro aprendizado supervisionado ``` O Devin encontra o conjunto de dados no projeto e publica as 18 imagens, com suas legendas, na sessão e na conversa encadeada no Slack. ## Etapa 3: Inicie a execução do treinamento ```text theme={null} faça o pós-treinamento do flux para criar o modelo otterimage 1.0. quando terminar, adicione o otterimage ao seletor de modelos no otterchat ``` `otterchat` é o app de demonstração do vídeo; use o nome do seu próprio repositório. O Devin executa o job por conta própria, seguindo as regras acima: 1. **Treina o LoRA**: cerca de 1.000 etapas, registradas no Weights & Biases, com renderizações de validação a cada 100 etapas. 2. **Envia relatórios ao Slack**: progresso a cada 15 minutos com as renderizações mais recentes. As primeiras renderizações mostram humanos; a lontra surge à medida que o treinamento avança. 3. **Escolhe o melhor checkpoint**: a etapa 700, já que as etapas 900 e 1.000 apresentaram sinais de overfitting. 4. **Implanta e entrega**: executa a etapa 700 como um endpoint serverless no Modal, adiciona `otterimage 1.0` ao seletor de modelos do app de chat, [grava](/pt-BR/work-with-devin/testing-and-recordings.md) um teste de ponta a ponta e abre um PR com um link de prévia. ![Grade de imagens de validação em cada checkpoint](https://mintcdn.com/cognitionai/4bg4JipkvpdMh6Vh/images/tutorial-library/post-training-validation.png?fit=max\&auto=format\&n=4bg4JipkvpdMh6Vh\&q=85\&s=7da45a563e1c6d538643483e75601a74) Renderizações de validação da etapa 500 à etapa 1.000 ## Etapa 4: Experimente o modelo Abra o link de prévia no PR e peça uma imagem: ```text theme={null} gere uma imagem do devin, o engenheiro de software, comendo espaguete ``` ![O app de chat retornando uma lontra de desenho animado comendo espaguete](https://mintcdn.com/cognitionai/4bg4JipkvpdMh6Vh/images/tutorial-library/post-training-otterchat.png?fit=max\&auto=format\&n=4bg4JipkvpdMh6Vh\&q=85\&s=e7a6d33991a5cd2089bebc64857f98ec) Com o mesmo prompt, um modelo de imagem de uso geral retorna um ser humano. ## Etapa 5: Itere com sessões filhas O pós-treinamento raramente se resume a uma única execução. Entregue um artigo ao Devin e deixe que ele teste as alternativas em paralelo: ```text theme={null} https://arxiv.org/pdf/2309.14859v2 inicie subsessões que treinem o otterimage com as outras técnicas listadas neste artigo, exceto lora ``` O Devin adiciona os novos métodos ao script de treinamento em um PR e inicia três [sessões filhas](/pt-BR/work-with-devin/advanced-capabilities.md#managed-devins) no posto avançado, uma para cada abordagem: LoHa, LoKr e ajuste fino nativo. ![Sessão do Devin mostrando três sessões filhas para LoHa, LoKr e ajuste fino nativo](https://mintcdn.com/cognitionai/4bg4JipkvpdMh6Vh/images/tutorial-library/post-training-child-sessions.png?fit=max\&auto=format\&n=4bg4JipkvpdMh6Vh\&q=85\&s=8892cdce447e15e95fc4a01187f6af09) ## Próximas etapas > **[Executar o Devin no Modal](https://modal.com/docs/devin)** > > Crie um posto avançado baseado no Modal com GPUs, Volumes e Secrets > **[Devin Outposts](/pt-BR/cloud/outposts/overview)** > > Execute sessões na sua própria infraestrutura ou em uma plataforma parceira > **[Integração com o Slack](/pt-BR/integrations/slack.md)** > > Acompanhe sessões de longa duração por uma conversa encadeada no Slack > **[Devins gerenciados](/pt-BR/work-with-devin/advanced-capabilities.md#managed-devins)** > > Inicie e monitore sessões filhas para experimentos em paralelo This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.