UnslothとHugging Face Jobsで無料でAIモデルをトレーニング
UnslothとHugging Face Jobsを活用することで、効率的かつ無料でAIモデルのトレーニングが可能になります。
キーポイント
Hugging FaceとUnslothが協業し、無料クレジットで小規模LLMのファインチューニング環境を提供
Unslothによりトレーニング速度2倍・VRAM使用量60%削減を実現し、コストを数ドルに低減
LFM2.5-1.2B-Instruct（1.2Bパラメータ）のような小規模モデルは、オンデバイス展開が可能で実用性が高い
Claude CodeやCodexなどのコーディングエージェントと連携し、スキルインストールで簡単にモデルトレーニングを開始可能
影響分析・編集コメントを表示
影響分析
この取り組みは、小規模組織や個人研究者が低コストでLLMをカスタマイズする機会を拡大し、AI民主化を促進する。特にオンデバイス展開可能な小規模モデルの実用化が進むことで、エッジAIの普及に貢献する可能性がある。
編集コメント
無料クレジット提供は参入障壁を下げる効果的な施策。小規模モデルの性能向上と低コスト化のトレンドが明確に示されている。
本記事は、UnslothとHugging Face Jobsを活用して、高速かつ低コストでAIモデルをファインチューニングする方法を解説する。特に、LiquidAI社の小型言語モデル「LFM2.5-1.2B-Instruct」を対象とし、Claude CodeやCodexなどのコーディングエージェントを通じて実行する手順を詳述している。
主な利点として、Unslothを利用することで、標準的な方法と比較して約2倍の学習速度向上と、VRAM使用量を約60%削減できる点が挙げられる。これにより、小型モデルのファインチューニングは数ドルという低コストで実現可能となる。対象モデルであるLFM2.5-1.2B-Instructは、メモリ使用量が1GB未満と非常に軽量で、CPUやスマートフォン、ノートパソコン上でも動作可能なため、オンデバイス展開に最適である。小型モデルは学習コストが低く、反復が迅速であり、特定のタスクでは大規模モデルにも匹敵する性能を発揮しつつある。
さらに、Hugging Face Jobs上でモデルをファインチューニングするための無料クレジットが提供されている。ユーザーは「Unsloth Jobs Explorers」組織に参加することで、この無料クレジットと1ヶ月間のProサブスクリプションを獲得できる。
実施に必要な前提条件は以下の通りである。Hugging Faceアカウント、請求先情報の設定（使用量監視と管理のため）、書き込み権限を持つHugging Faceトークン、そしてオプションとしてコーディングエージェント（Open Code、Claude Code、Codex）を用意する。
具体的な手順は二つの主要な方法で説明されている。第一に、HF JobsのCLI（コマンドラインインターフェース）を利用する方法である。まず「hf」CLIをインストールした後、所定のコマンドを実行してジョブを送信する。コマンドでは、学習スクリプトのURL、インスタンスタイプ（例: a10g-small）、トークンの受け渡し、タイムアウト時間、使用データセット、エポック数などを指定する。
第二に、コーディングエージェントの「スキル」機能を利用する、より簡便な方法である。Claude Codeの場合は、プラグインマーケットプレイスからHugging Faceのスキルを追加し、「hugging-face-model-trainer」スキルをインストールする。Codexの場合は、スキルインストーラーを使用するか、スキルリポジトリをクローンしてエージェントのスキルディレクトリにコピーすることで導入する。これらのスキルをインストールすることで、単純なプロンプト入力を通じてモデル学習の障壁を大きく下げることが可能となる。
要約すると、本記事は、Unslothによる高速・低リソース学習と、Hugging Face Jobsの無料クレジット提供、そしてコマンドラインまたはコーディングエージェントを用いた二種類の実践的な実行方法を組み合わせることで、誰もが手軽に小型AIモデルのカスタマイズを開始できる環境が整備されたことを伝えている。
原文を表示
Train AI models with Unsloth and Hugging Face Jobs for FREE Back to Articles Train AI models with Unsloth and Hugging Face Jobs for FREE
This blog post covers how to use Unsloth and Hugging Face Jobs for fast LLM fine-tuning (specifically LiquidAI/LFM2.5-1.2B-Instruct ) through coding agents like Claude Code and Codex. Unsloth provides ~2x faster training and ~60% less VRAM usage compared to standard methods, so training small models can cost just a few dollars.
Why a small model? Small language models like LFM2.5-1.2B-Instruct are ideal candidates for fine-tuning. They are cheap to train, fast to iterate on, and increasingly competitive with much larger models on focused tasks. LFM2.5-1.2B-Instruct runs under 1GB of memory and is optimized for on-device deployment, so what you fine-tune can be served on CPUs, phones, and laptops.
We are giving away free credits to fine-tune models on Hugging Face Jobs. Join the Unsloth Jobs Explorers organization to claim your free credits and one-month Pro subscription.
A Hugging Face account (required for HF Jobs)
Billing setup (for verification, you can monitor your usage and manage your billing in your billing page).
A Hugging Face token with write permissions
(optional) A coding agent (Open Code, Claude Code, or Codex)
If you want to train a model using HF Jobs and Unsloth, you can simply use the hf jobs CLI to submit a job.
First, you need to install the hf CLI. You can do this by running the following command:
mac or linux curl -LsSf https://hf.co/cli/install.sh | bash Next you can run the following command to submit a job:
hf jobs uv run https://huggingface.co/datasets/unsloth/jobs/resolve/main/sft-lfm2.5.py \ --flavor a10g-small \ --secrets HF_TOKEN \ --timeout 4h \ --dataset mlabonne/FineTome-100k \ --num-epochs 1 \ --eval-split 0.2 \ --output-repo your-username/lfm-finetuned Check out the training script and Hugging Face Jobs documentation for more details.
Hugging Face model training skill lowers barrier of entry to train a model by simply prompting. First, install the skill with your coding agent.
Claude Code discovers skills through its plugin system, so we need to install the Hugging Face skills first. To do so:
/plugin marketplace add huggingface/skills Browse available skills in the Discover tab:
/plugin Install the model trainer skill:
/plugin install hugging-face-model-trainer@huggingface-skills For more details, see the documentation on using the hub with skills or the Claude Code Skills docs.
Codex discovers skills through AGENTS.md files and .agents/skills/ directories.
Install individual skills with $skill-installer:
$skill-installer install https://github.com/huggingface/skills/tree/main/skills/hugging-face-model-trainer For more details, see the Codex Skills docs and the AGENTS.md guide.
A generic install method is simply to clone the skills repository and copy the skill to your agent's skills directory.
git clone https://github.com/huggingface/skills.git mkdir -p ~/.agents/skills && cp -R skills/skills/hugging-face-model-trainer ~/.agents/skills/ Quick Start
Once the skill is installed, ask your coding agent to train a model:
Train LiquidAI/LFM2.5-1.2B-Instruct on mlabonne/FineTome-100k using Unsloth on HF Jobs The agent will generate a training script based on an example in the skill, submit the training to HF Jobs, and provide a monitoring link via Trackio.
Training jobs run on Hugging Face Jobs, fully managed cloud GPUs. The agent:
Generates a UV script with inline dependencies
Submits it to HF Jobs via the hf CLI
Reports the job ID and monitoring URL
Pushes the trained model to your Hugging Face Hub repository
The skill generates scripts like this based on the example in the skill.
/// 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( "LiquidAI/LFM2.5-1.2B-Instruct", 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", "out_proj", "in_proj", "w1", "w2", "w3", ], ) 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() Model Size Recommended GPU Approx Cost/hr <1B params t4-small ~$0.40 1-3B params t4-medium ~$0.60 3-7B params a10g-small ~$1.00 7-13B params a10g-large ~$3.00 For a full overview of Hugging Face Spaces pricing, check out the guide here.
Tips for Working with Coding Agents
Be specific about the model and dataset to use, and include Hub IDs (for example,
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み