AI marketplace

Workloads

Les templates publics sont alignes avec le moteur stable actuel: Knowledge QA, GGUF smoke, LoRA GGUF et CUDA Nvidia. Chaque workload precise la sortie attendue, le placement materiel et l'avancement.

Queue

Jobs soumis

1 job en cours (pending / approved / processing)

ocx-cuda-smoke

User Custom Dataset Qwen LoRA GGUF CUDA balanced smoke v1

en coursjob

Workload soumis via le site (job).

Modèle: qwen-lora-gguf-cuda-balanced-smoke-v1
Dataset: QmcCp3y5NFNLd3ea32rhHaD3kke3P7cUPaV9cqi35jEfxa
GPU requis: gpu_8g

Récompense suggérée: 0.4 CRUX
Objectif: Loss = -
Statut: en cours

Progression0%

orcrux-core

Knowledge QA rapide

disponiblev2recommendedstartertextqacheapreliable

Template le plus fiable pour un petit dataset factuel JSONL: il construit un bundle de reponses ancrees dans le dataset, sans promettre un GGUF.

Modèle: text_memory_qa / byo
Dataset: Dataset QA JSONL utilisateur
GPU requis: autocpu (2 Go)

Sortie: full_checkpoint
Placement: autoprofil runtime auto
Execution: single nodecheckpoint runtime

Cadence: 2s cible / 10s max

Récompense suggérée: 20 CRUX
Objectif: Loss = 01 époques (~1 blocs)
Statut: disponible

orcrux-core

Tiny GGUF smoke

disponiblev2recommendedsmoketextggufdmlcuda

Petit test de bout en bout pour verifier qu'une machine AMD/DirectML ou Nvidia/CUDA peut produire un hf-model et un model.gguf.

Modèle: auto_train / byo
Dataset: Petit JSONL utilisateur
GPU requis: gpu_8gdml (8 Go), cuda (8 Go)

Sortie: ggufGGUF f16
Placement: cuda ou dmlmin 8 Go VRAM
Execution: single nodecheckpoint runtime

Cadence: 8s cible / 60s max

Récompense suggérée: 35 CRUX
Objectif: Loss = 121 époques (~1 blocs)
Statut: disponible

orcrux-core

LoRA GGUF standard

disponiblev2recommendedtextloraggufdmlcuda

Template texte standard pour dataset utilisateur: auto_train choisit LoRA SFT et exige un model.gguf final. Compatible CUDA ou DML avec petits reglages memoire.

Modèle: auto_train / byo
Dataset: Dataset instruction JSONL utilisateur
GPU requis: gpu_8gdml (8 Go), cuda (8 Go)

Sortie: ggufGGUF f16
Placement: cuda ou dmlmin 8 Go VRAM
Execution: single nodecheckpoint 1 step(s)

Cadence: 20s cible / 180s max

Récompense suggérée: 80 CRUX
Objectif: Loss = 82 époques (~4 blocs)
Statut: disponible

orcrux-core

CUDA performance - Qwen GGUF

disponiblev2recommendedtextloraggufcudanvidia

Template Nvidia uniquement pour valider un vrai fine-tuning Qwen 1.5B avec export GGUF. A utiliser quand la machine expose cuda=true.

Modèle: auto_train / byo
Dataset: Dataset instruction JSONL utilisateur
GPU requis: cuda_8gcuda (8 Go)

Sortie: ggufGGUF f16
Placement: cudamin 8 Go VRAM
Execution: single nodecheckpoint 1 step(s)

Cadence: 25s cible / 240s max

Récompense suggérée: 140 CRUX
Objectif: Loss = 82 époques (~4 blocs)
Statut: disponible

Marketplace branche sur l'API `/workloads/marketplace` (templates + queue) et le scheduler PoUW.