From 12fd4fcf59fd5a98084fc6815f1dc36cccff88ab Mon Sep 17 00:00:00 2001
From: pasha <paul@drteam.rocks>
Date: Thu, 9 Jan 2025 22:51:50 +0300
Subject: [PATCH] =?UTF-8?q?=D0=9F=D1=80=D0=BE=20unsloth=20=D0=B4=D0=BE?=
 =?UTF-8?q?=D0=B1=D0=B0=D0=B2=D0=B8=D0=BB?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 ...\321\206\320\265\320\277\321\202\321\213.md" | 17 ++++++++++-------
 1 file changed, 10 insertions(+), 7 deletions(-)

diff --git "a/docs/\320\240\320\265\321\206\320\265\320\277\321\202\321\213.md" "b/docs/\320\240\320\265\321\206\320\265\320\277\321\202\321\213.md"
index d463d35..43b393c 100644
--- "a/docs/\320\240\320\265\321\206\320\265\320\277\321\202\321\213.md"
+++ "b/docs/\320\240\320\265\321\206\320\265\320\277\321\202\321\213.md"
@@ -47,17 +47,20 @@ impruver run compose_dataset --config ruGPT-3.5/13B_lora_saiga2.yaml
 impruver run compose_dataset --config ./rugpt35_lora_saiga2.yaml
 ```
 
-## Рецепт `finetune`
+## Рецепты `finetune` и `unsloth`
 
-Данный рецепт вызывает
+Рецепт `finetune` вызывает
 скрипт [finetune_transformers.py](https://github.com/EvilFreelancer/impruver/blob/main/recipes/finetune_transformers.py),
-который предназначен для настройки предобученной модели с использованием собственных данных. Он позволяет добавлять
-новые параметры к существующей модели или обучать модель с нуля. В частности, скрипт поддерживает использование
-адаптеров Low-Rank Adaptation (LoRA) для более эффективного обучения.
+а
+рецепт `unsloth` - [finetune_unsloth.py](https://github.com/EvilFreelancer/impruver/blob/main/recipes/finetune_unsloth.py).
+
+Оба этих скрипта предназначены для тонкой настройки предобученной модели с использованием собственных данных. Они
+позволяют дообучить параметры существующей модели или же обучать модель с нуля. Оба скрипта поддерживают возможность
+использования Low-Rank Adaptation (LoRA) для обучения адаптеров.
 
-Рецепт выполняет следующие шаги:c
+Рецепты выполняет следующие шаги:
 
-1. Принимает путь к файлу конфигурации, который содержит все необходимые параметры для запуска и настройки модели.
+1. Получить путь к файлу конфигурации, который содержит все необходимые параметры для запуска и настройки модели.
 2. Токенизатор подгружается из предобученной модели и сохраняется в `output_put`.
 3. Данные для тренировки и валидации загружаются из JSONL-файлов. Порядок элементов в тренировочном наборе случайно
    перемешивается (с учётом значения `seed`). Используется `DataCollatorForTokenClassification` для добавления токенов