272 H200 çalışması, ince ayar süresinde FLOP hesabının kaçırdığı yükleri gösterdi
Dharma‑AI, 272 üretim SFT çalışmasında yalnız FLOP hesabının ortalama 12,41 saat hata verdiğini; iş başlamadan bilinen ayarlarla eğitilen CatBoost modelinin hatayı 1,71 saate indirdiğini bildirdi.

BİR BAKIŞTA
Haberin özeti
- Çalışma 272 üretim SFT işi ve yaklaşık 7.382 GPU‑saatlik H200 kaydını kapsıyor.
- FLOP tabanı 12,41 saat, CatBoost modeli 1,71 saat ortalama mutlak hata verdi.
- Tahmin yalnız iş gönderilmeden önce bilinen yapılandırma ve model özelliklerini kullanıyor.
- Sonuçlar H200 ve SFT verisine özgü; 60 saati aşan seyrek işlerde hata büyüyor.
Neler değişiyor?
Dharma‑AI, 18 Kasım 2026’da paylaştığı araştırma önizlemesinde, ince ayar işlerinin uçtan uca süresini yalnız hesaplama miktarıyla tahmin etmenin üretim ortamındaki yükleri kaçırdığını gösterdi. Çalışma, ortak bir NVIDIA H200 havuzunda yürütülen 272 denetimli ince ayar işini kapsıyor; toplam yaklaşık 7.382 GPU‑saatlik kayıt kullanıldı. Süre, işin GPU’ları aldığı andan tamamlandığı ana kadar ölçüldü; kuyrukta bekleme dahil edilmedi.
Yaygın FLOP yaklaşımı, yoğun bir Transformer için yaklaşık 6·P·D işlemi GPU sayısı, tepe performansı ve varsayılan model FLOP kullanımına bölüyor. Ancak ortam kurulumu, model indirme ve yükleme, tokenizasyon, periyodik değerlendirme, checkpoint yükleme ve son modelin nesne depolamaya gönderilmesi bu formülün dışında kalıyor. Ortak kümelerde ağ ve depolama çekişmesi de aynı nominal hesaplamaya sahip işlerin saatler farklı bitmesine yol açabiliyor.
Beş katlı çapraz doğrulamada yüzde 30 MFU kullanan FLOP tabanı R² 0,31 ve ortalama mutlak hata 12,41 saat verdi. İş gönderilmeden önce bilinen 24 yapılandırma ve model özelliğini kullanan CatBoost modeli ise R² 0,98, ortalama mutlak hata 1,71 saat ve medyan mutlak hata 0,51 saat elde etti. Tahminlerin yüzde 80’i 2,20 saat, yüzde 90’ı 4,31 saat içinde kaldı. En etkili özellikler arasında değerlendirmede işlenen toplam örnek sayısı, eğitilebilir parametreler, değerlendirme batch oranı, toplam parametreler ve kaydedilen checkpoint hacmi yer aldı. Bunlar ilişki ölçümleri; neden‑sonuç kanıtı değil.
Veri yalnız SFT işlerinden, H200 GPU’lardan ve 15 milyar parametreye kadar modellerden geliyor; LoRA ile tam ince ayarı, Transformers ile Unsloth yığınlarını içeriyor. 60 saatin üzerindeki yalnız 13 uzun işte medyan hata 5,19 saate yükseldi. Bu nedenle sayısal sonuçlar başka GPU nesillerine, RLHF/DPO/RLVR eğitimine veya farklı depolama‑ağ düzenlerine doğrudan aktarılamaz. Dharma‑AI, tam makalenin daha sonra arXiv’de yayımlanacağını belirtiyor; bu aşamadaki sonuçlar ekip tarafından sunulan önizleme ve bağımsız yeniden üretim değil.
Bu haber AI desteğiyle hazırlanır ve kaynaklarla karşılaştırılır. Otomatik kontrol, insan editör incelemesi anlamına gelmez. Yayın yaklaşımımız
Asıl kaynaklara göz at
Kaynak tarihi: 18 Kasım 2026.
AI Radar yayın saati: 19 Kas 2026 11:02 (Türkiye).
KONUYU TAKİP ET
Konular ve etiketler
Keşfini paylaş.
Bu haberi bir arkadaşına gönder.
Okuyucu yorumları
Bu gelişme hakkında ne düşünüyorsun? Deneyimini veya sorunu paylaş. Yorumlar editör onayından sonra yayımlanır.
Adın/takma adın ve yorumun onaylanırsa herkese açık görünür. Veri işleme hakkında: Gizlilik bilgilendirmesi.






Yorumlar yükleniyor…