Kann ich LLMs mit FrameTrain fine-tunen?

Ja. FrameTrain unterstützt das Fine-Tuning von Large Language Models (LLMs) via LoRA und QLoRA. Du kannst Modelle wie Llama, Mistral oder Phi direkt aus HuggingFace importieren und auf eigene Datensätze anpassen.

Welche GPUs werden unterstützt?

FrameTrain läuft auf allen NVIDIA-GPUs mit CUDA-Unterstützung (ab GTX 10-Serie) sowie auf Apple Silicon (M1/M2/M3/M4) über Metal Performance Shaders. Auch rein CPU-basiertes Training ist möglich.

Was ist der Unterschied zu Google Colab oder AWS SageMaker?

FrameTrain läuft vollständig lokal auf deinem Rechner. Es entstehen keine laufenden Cloud-Kosten, deine Daten werden nicht hochgeladen und du bist nicht auf Internetverbindung angewiesen. Ideal für sensible oder proprietäre Datensätze.

Brauche ich Programmierkenntnisse?

Nein. FrameTrain ist als grafische Anwendung konzipiert. Du konfigurierst Trainingsparameter über eine intuitive Oberfläche, ohne Code schreiben zu müssen. Für Fortgeschrittene gibt es zusätzlich Konfigurationsdateien.

Unterstützt FrameTrain LoRA-Training?

Ja, LoRA (Low-Rank Adaptation) ist vollständig integriert. Du kannst LoRA-Rank, Alpha und Target-Module direkt in der App konfigurieren, was das Fine-Tuning auch auf GPUs mit wenig VRAM ermöglicht.

Warum kostet FrameTrain nur 4,99 €/Monat?

FrameTrain befindet sich im Early Access. Der Preis ist bewusst niedrig, damit möglichst viele Entwickler und Forscher früh Zugang bekommen. Der Preis steigt auf 9,99 € nach den ersten 100 Nutzern – wer jetzt einsteigt, ist dauerhaft günstiger.

Läuft FrameTrain auf Apple M1/M2/M3/M4?

Ja. FrameTrain unterstützt Apple Silicon nativ über Metal Performance Shaders (MPS). Modelle werden auf der GPU des M-Chips beschleunigt, ohne CUDA zu benötigen.

Welche Modellformate werden unterstützt?

FrameTrain unterstützt PyTorch-Modelle (.pt, .bin), SafeTensors sowie GGUF-Format. Modelle können direkt von HuggingFace Hub importiert oder lokal geladen werden.

Kann ich meine eigenen Datensätze verwenden?

Ja. Du kannst eigene Datensätze im CSV-, JSON- oder JSONL-Format laden. FrameTrain unterstützt auch Datensätze direkt vom HuggingFace Datasets Hub.

Unterstützt FrameTrain Mixed Precision und Gradient Checkpointing?

Ja. FP16 und BF16 Mixed Precision Training sind vollständig unterstützt, ebenso Gradient Checkpointing für speichereffizientes Training auf GPUs mit wenig VRAM.

Dokumentation – Installation, Training, LoRA & GPU-Setup

Installation

So richtest du FrameTrain auf deinem System ein

1. Account erstellen & zahlen

Registriere dich auf frame-train.com und wähle einen Plan. Nach der Zahlung erhältst du deinen API-Key per E-Mail.

Account erstellen

2. Download

Lade die Desktop-App für dein Betriebssystem herunter:

Windows

Windows 10/11 (64-bit)

macOS

macOS 11+ (Intel & Apple Silicon)

Linux

Ubuntu 20.04+ (AppImage)

3. API-Key eingeben

Beim ersten Start wirst du nach deinem API-Key gefragt. Gib den Key ein, den du per E-Mail erhalten hast. Er wird lokal gespeichert – du musst ihn nur einmal eingeben.

frametrain_sk_1a2b3c4d5e6f7g8h9i0j

4. Fertig!

FrameTrain ist jetzt einsatzbereit. Weiter mit dem Quick Start.

Installation erfolgreich!

FrameTrain läuft jetzt lokal auf deinem System. Kein Server, keine Cloud, volle Kontrolle.

Systemanforderungen

Minimum

• CPU: 4 Kerne
• RAM: 8 GB
• GPU: NVIDIA GTX 1060 6GB oder Apple M1
• Speicher: 10 GB frei
• OS: Windows 10, macOS 11, Ubuntu 20.04

Quick Start

Dein erstes Modell in 5 Schritten

Modell importieren

Öffne den Model Manager und importiere ein HuggingFace-Modell (z.B. bert-base-uncased) oder lade ein lokales Modell.

Im Suchfeld einfach die HuggingFace Model-ID eingeben und auf Herunterladen klicken.

Datensatz hochladen

Lade deinen Datensatz als CSV oder JSONL-Datei hoch. Minimale Struktur: text + label Spalten.

FrameTrain validiert den Datensatz automatisch und zeigt Vorschau der ersten Zeilen.

Training konfigurieren

Wähle Epochs, Batch-Size, Learning Rate und LoRA-Parameter. Für den Start empfehlen wir die Voreinstellungen.

Die Quick-Start-Voreinstellung ist optimal für die meisten 7B-Modelle mit LoRA.

Training starten

Klicke auf Training starten. FrameTrain trainiert lokal auf deiner GPU – keine Internetverbindung nötig.

Der Fortschrittsbalken und Live-Charts zeigen Loss und Accuracy in Echtzeit.

Modell testen

Nach dem Training kannst du das Modell direkt in der App testen. Gib Text ein und sieh die Vorhersagen.

Das Modell bleibt lokal gespeichert und kann jederzeit wieder geladen werden.

Herzlichen Glückwunsch!

Du hast dein erstes Modell mit FrameTrain trainiert. Im Versioning-Panel findest du alle gespeicherten Checkpoints.

Erstes Training

Ein komplettes Praxisbeispiel: Sentiment-Klassifikation

1. Datensatz erstellen

Erstelle eine CSV-Datei mit zwei Spalten: text (dein Eingabetext) und label (die Kategorie). Beispiel:

text,label
"Das ist ein positiver Review",positive
"Mir hat das nicht gefallen",negative
"Sehr zufrieden mit dem Produkt!",positive

2. Modell wählen

Für Textklassifikation empfehlen wir:

•bert-base-uncased – gut für Englisch, schnell
•deepset/gbert-base – gut für Deutsch
•distilbert-base-uncased – kleiner & schneller als BERT

3. Parameter einstellen

Empfohlene Startparameter für dieses Beispiel:

Epochs:3

Batch Size:8

Learning Rate:2e-5

Optimizer:AdamW

4. Training beobachten

Während des Trainings siehst du:

📈 Training Loss - sollte stetig sinken
📊 Validation Accuracy - sollte gegen 90%+ steigen
⚡ GPU-Auslastung - sollte bei 80-100% liegen
💾 Restzeit - geschätzte Trainingszeit

Profi-Tipp

Für das erste Training immer mit wenigen Epochs (2-3) und kleinem Datensatz starten. So siehst du schnell, ob die Konfiguration funktioniert.

Model Manager

Alle deine Modelle an einem Ort

Funktionen

HuggingFace Import

Importiere jedes Modell direkt vom HuggingFace Hub über Model-ID

Lokale Modelle

Lade Modelle von lokalem Pfad (SafeTensors, GGUF, PyTorch)

Modell-Übersicht

Alle importierten Modelle mit Größe, Format und Herkunft

Versionen

Jedes Modell kann mehrere trainierte Versionen haben

Modell importieren

So importierst du ein Modell von HuggingFace:

1.Öffne den Model Manager Tab
2.Klicke auf "Neues Modell" oder "HuggingFace Import"
3.Gib die Model-ID ein (z.B. meta-llama/Llama-3-8B)
4.Optional: HuggingFace-Token für private/Gated Modelle
5.Klicke auf Herunterladen – FrameTrain lädt automatisch alle nötigen Dateien

Empfohlene Startermodelle

bert-base-uncased

110M

Klassiker für Text-Klassifikation auf Englisch. Schnell und gut erprobt.

Klassifikation

distilbert-base-uncased

66M

Leichtere Version von BERT – gleich gut, aber doppelt so schnell.

Klassifikation

microsoft/phi-3-mini-4k-instruct

3.8B

Kleines LLM ideal für LoRA Fine-Tuning auf Consumer-GPUs.

LLM Fine-Tuning

mistralai/Mistral-7B-v0.1

Starkes Basismodell. Benötigt QLoRA auf GPUs unter 24 GB VRAM.

LLM Fine-Tuning

Training Panel

Das Herzstück von FrameTrain

Training-Workflow

1️⃣

Modell & Dataset wählen

Wähle ein importiertes Modell und deinen hochgeladenen Datensatz aus den Dropdown-Menüs.

2️⃣

Hyperparameter konfigurieren

Stelle Epochs, Batch-Size, Learning Rate und LoRA-Parameter ein. Voreinstellungen für gängige Tasks verfügbar.

3️⃣

Training starten

Klicke auf Training starten. FrameTrain trainiert vollständig lokal – keine Cloud, keine Warteschlange.

4️⃣

Fortschritt überwachen

Live-Charts zeigen Loss, Accuracy und GPU-Auslastung in Echtzeit. Automatische Checkpoints.

5️⃣

Ergebnis speichern

Nach dem Training wird das Modell automatisch versioniert und lokal gespeichert.

Training-Steuerung

Training starten: Startet das Training mit den aktuellen Einstellungen. Alle Parameter werden vor dem Start validiert.
Training pausieren / stoppen: Das Training kann jederzeit gestoppt werden. Der letzte Checkpoint bleibt erhalten.
Training fortsetzen: Nach einem Stopp kann das Training vom letzten Checkpoint aus fortgesetzt werden.

Schnelleinstellungen (Presets)

FrameTrain bietet vorkonfigurierte Trainingsprofile für häufige Anwendungsfälle:

Quick Start (7B LoRA)

Schnell & stabil

LR: 2e-4Epochs: 3Batch: 4

Qualität (7B QLoRA)

Höhere Qualität

LR: 1e-4Epochs: 5Batch: 2

Klassifikation (BERT)

Für Classifier

LR: 2e-5Epochs: 3Batch: 16

Experimentell

Schneller Test

LR: 5e-5Epochs: 1Batch: 8

Dataset Upload

Unterstützte Formate und Best Practices

Unterstützte Formate

CSV (.csv)

text,label "Gutes Produkt",positive "Schlecht",negative

JSONL (.jsonl)

{"text": "Gutes Produkt", "label": "positive"} {"text": "Schlecht", "label": "negative"}

JSON (.json)

[{"text": "Gutes Produkt", "label": "positive"}, {"text": "Schlecht", "label": "negative"}]

HuggingFace Hub

dataset_id = "stanfordnlp/sst2" # Wird direkt in der App geladen

So lädst du deinen Datensatz hoch

1.Klicke auf "Dataset" im linken Panel
2.Wähle "Datei hochladen" oder "HuggingFace Dataset"
3.Wähle deine CSV/JSONL-Datei
4.FrameTrain validiert die Datei und zeigt eine Vorschau
5.Konfiguriere Text-Spalte und Label-Spalte

Dataset-Vorbereitung

Wichtige Hinweise zur Datenvorbereitung:

Mindestgröße: Mindestens 100 Beispiele pro Klasse für sinnvolle Ergebnisse.
Klassen-Balance: Versuche, ungefähr gleich viele Beispiele pro Klasse zu haben.
Textlänge: Texte können variieren, aber sehr kurze Texte (<5 Wörter) können die Qualität verschlechtern.
Train/Val-Split: FrameTrain teilt den Datensatz automatisch (80/20). Du kannst den Split manuell anpassen.

Analyse

Trainingsmetriken verstehen und interpretieren

Wichtige Metriken

Training Loss

↓ sinkt

Fehler des Modells auf den Trainingsdaten. Sollte während des Trainings kontinuierlich sinken.

Validation Loss

↓ sinkt

Fehler auf den Validierungsdaten. Zeigt die Generalisierungsfähigkeit. Wenn deutlich höher als Train Loss: Overfitting.

Accuracy

↑ steigt

Anteil korrekt klassifizierter Beispiele. Für Klassifikationsaufgaben. Gut ab ~85%.

Gradient Norm

stabil <5

Größe der Gradienten. Bei sehr großen Werten (>10) kann Gradient Clipping helfen.

Häufige Probleme

Overfitting

Train Loss sinkt, Validation Loss steigt. Modell lernt Trainingsdaten auswendig statt zu generalisieren.

Lösung: mehr Daten, mehr Dropout (0.1-0.3), weniger Epochs oder Datensatz vergrößern.

Underfitting

Beide Losses sinken langsam oder nicht. Modell lernt nicht genügend.

Lösung: mehr Epochs, höhere Learning Rate, mehr LoRA-Rank oder anderes Modell wählen.

Testing & Inferenz

Trainierte Modelle direkt in der App testen

Funktionen

Direkte Eingabe: Gib beliebigen Text ein und sieh die Modell-Vorhersage sofort.
Confidence Scores: Zeigt die Wahrscheinlichkeit für jede Klasse an.
Batch-Testing: Teste mehrere Texte auf einmal aus einer Datei.
Versionsvergleich: Vergleiche Vorhersagen verschiedener Modellversionen.

Beispiel

Eingabe:

"Dieses Produkt ist fantastisch! Ich bin sehr zufrieden."

Ausgabe:

positive

94.2%

negative

5.8%

Versioning

Automatische Versionierung aller Trainingsartefakte

Was wird versioniert?

FrameTrain speichert nach jedem Training automatisch: Modell-Gewichte, Trainingsparameter, Metriken, Datensatz-Referenz und Timestamp.

Versioning-Workflow

Training abgeschlossen

Nach einem erfolgreichen Training wird automatisch ein Checkpoint erstellt.

Version benennen

Gib deiner Version einen sprechenden Namen (z.B. "v1.0-sentiment-de").

Vergleichen

Wähle zwei Versionen und vergleiche ihre Metriken nebeneinander.

Exportieren

Exportiere jede Version als SafeTensors, GGUF oder PyTorch-Format.

Trainingshistorie

Im Historien-Panel siehst du alle vergangenen Trainings mit:

•Datum & Uhrzeit
•Verwendetes Modell & Datensatz
•Finale Loss und Accuracy
•Verwendete Hyperparameter
•Dauer des Trainings

Training-Grundlagen

Die wichtigsten Konzepte des ML-Trainings

Fine-Tuning vs. From Scratch

Fine-Tuning (empfohlen)

• Startet mit vortrainiertem Modell
• Braucht weniger Daten (100-10.000)
• Viel schneller (Minuten statt Wochen)
• Bessere Ergebnisse bei kleinen Datensätzen

Training from Scratch

• Modell von null trainieren
• Braucht riesige Datenmengen (Millionen)
• Sehr zeitaufwändig (Wochen bis Monate)
• Benötigt massiv GPU-Ressourcen

Epochs & Batches

Epoch: Ein vollständiger Durchlauf durch den gesamten Datensatz. Batch: Eine Teilmenge des Datensatzes, die gleichzeitig verarbeitet wird. Steps: Anzahl der Parameteraktualisierungen = Datensatzgröße / Batch-Size.

Beispiel: 1000 Datenpunkte, Batch-Size 32:

1 Epoch = 1000 / 32 = ~31 Batches ✓

Loss & Accuracy

Training Loss

Misst den Fehler des Modells. Niedrigerer Loss = bessere Vorhersagen. Wird bei jeder Parameteraktualisierung berechnet.

Accuracy

Misst den Anteil korrekter Vorhersagen. Für Klassifikation: % der korrekt klassifizierten Beispiele. Ziel: so hoch wie möglich.

Hyperparameter

Wichtige Parameter und ihre Auswirkungen

Wichtige Hyperparameter

Learning Rate

Standard: 2e-4

Wie groß die Parameteranpassungen sind. Zu hoch: Training divergiert. Zu niedrig: Training zu langsam.

Bereich: 1e-6 bis 1e-3

💡 Starte mit 2e-4 für LoRA, 2e-5 für Full Fine-Tuning

Batch Size

Standard: 4

Wie viele Beispiele gleichzeitig verarbeitet werden. Größere Batches = stabilere Updates, aber mehr VRAM.

Bereich: 1 bis 64

💡 Bei VRAM-Problemen Batch-Size halbieren

Epochs

Standard: 3

Wie oft der gesamte Datensatz durchlaufen wird. Mehr Epochs können zu Overfitting führen.

Bereich: 1 bis 20

💡 3-5 Epochs für die meisten Tasks optimal

LoRA Rank (r)

Standard: 16

Größe der LoRA-Matrizen. Höherer Rank = mehr Kapazität, aber mehr VRAM und Trainingszeit.

Bereich: 4 bis 64

💡 r=16 ist ein guter Standard. Für wenig VRAM: r=8

Max Seq Length

Standard: 2048

Maximale Tokenanzahl pro Eingabe. Längere Sequenzen = mehr VRAM.

Bereich: 128 bis 4096

💡 An die durchschnittliche Textlänge deiner Daten anpassen

LoRA Training

Parameter-effizientes Fine-Tuning

Was ist LoRA?

LoRA (Low-Rank Adaptation) ist eine Methode, Sprachmodelle mit einem Bruchteil des VRAM eines vollständigen Fine-Tunings anzupassen. Statt alle Modellparameter zu aktualisieren, fügt LoRA kleine "Adapter"-Matrizen ein.

Diese Adapter werden trainiert, während das Originalkörpermodell eingefroren bleibt. Ergebnis: 70-90% weniger VRAM bei vergleichbarer Qualität.

LoRA vs. Full Fine-Tuning

Full Fine-Tuning

• Alle Parameter werden trainiert
• 60-80 GB VRAM für 7B Modell
• Sehr langsam
• Ünderungen dauerhaft im Modell

LoRA Fine-Tuning

• Nur Adapter-Matrizen werden trainiert
• 8-18 GB VRAM für 7B Modell
• Viel schneller
• Adapter sind separate Dateien

LoRA Konfiguration

LoRA Rank (r)

Größe der niedrig-rangigen Matrizen. Höherer Rank = mehr Kapazität. Standard: 16

LoRA Alpha

Skalierungsfaktor für die LoRA-Gewichte. Meist auf den Rank-Wert gesetzt. Standard: 32

LoRA Dropout

Dropout-Rate für LoRA-Schichten. Hilft gegen Overfitting bei kleinen Datensätzen. Standard: 0.05

Target Modules

Welche Schichten adaptiert werden. Standard: q_proj, v_proj. Mehr Module = mehr Kapazität

QLoRA aktivieren

Für 4-Bit-Quantisierung (QLoRA) aktiviere "4-bit Loading" im Training Panel. Reduziert VRAM-Bedarf um ~50%.

Dataset-Formate

Alle unterstützten Formate im Detail

CSV-Format

Einfachstes Format. Erste Zeile = Header. Pflichtfelder: text, label.

text,label
"Dies ist positiv",positive
"Das gefällt mir nicht",negative
"Sehr gut!",positive
"Schrecklich",negative

JSONL-Format

Ein JSON-Objekt pro Zeile. Flexibler als CSV für komplexe Strukturen.

{
  "text": "Dies ist positiv",
  "label": "positive",
  "source": "review"
}
{
  "text": "Das gefällt mir nicht",
  "label": "negative",
  "source": "comment"
}

Best Practices

Datenmenge: Mindestens 100, idealerweise 500+ Beispiele pro Klasse.
Klassen-Balance: Ähnliche Anzahl Beispiele pro Klasse für ausgewogenes Training.
Datensätze splitten: 80% Training, 20% Validation. FrameTrain macht dies automatisch.
Text bereinigen: Entferne HTML-Tags, sonderzeichen, doppelte Leerzeichen.
Labels konsistent: Schreibweise der Labels muss konsistent sein ("positive" != "Positive").

Monitoring

Training-Fortschritt in Echtzeit verfolgen

Live-Monitoring Panel

Während des Trainings zeigt FrameTrain folgende Echtzeit-Informationen:

GPU-Auslastung: VRAM-Verbrauch und GPU-Temperatur in Echtzeit
Loss-Kurven: Training Loss und Validation Loss als interaktive Linien-Charts
Accuracy-Chart: Accuracy-Verlauf und Gradient Norm
Zeitschätzung: Vergangene Zeit und geschätzte Restzeit

Automatische Checkpoints

FrameTrain speichert automatisch Checkpoints:

Am Ende jeder Epoch
Bei Verbesserung des Validation Loss (Best Model Saving)
Bei manuellen Stops
Als vollständige Modell-Snapshots

Optimierung

Training schneller und speichereffizienter machen

Batch-Size Optimierung

Die Batch-Size ist der wichtigste Faktor für VRAM-Verbrauch und Trainingsgeschwindigkeit:

6-8 GB VRAMBatch Size: 1-2

12 GB VRAMBatch Size: 4-8

24 GB VRAMBatch Size: 8-16

48+ GB VRAMBatch Size: 16-32

LoRA vs. Full Fine-Tuning

Für die meisten Anwendungsfälle ist LoRA die bessere Wahl:

Standard Fine-Tuning:

Alle Parameter aktualisieren, viel VRAM, langsam.

LoRA Fine-Tuning:

Nur Adapter-Matrizen trainieren, wenig VRAM, schnell, vergleichbare Ergebnisse.

Gradient Checkpointing

Aktiviere Gradient Checkpointing in den Trainingseinstellungen um ~30-40% VRAM zu sparen. Das Training wird etwas langsamer, aber du kannst größere Modelle trainieren.

Beispiel: 7B Modell mit LoRA: 18 GB VRAM → mit Gradient Checkpointing: 12 GB VRAM

GPU Setup

NVIDIA CUDA und Apple Silicon konfigurieren

NVIDIA CUDA Setup

FrameTrain erkennt NVIDIA-GPUs automatisch. Voraussetzungen:

NVIDIA-Treiber installieren

Aktuellen Treiber von nvidia.com/drivers herunterladen und installieren (Version 525+).

CUDA automatisch

CUDA wird automatisch mit FrameTrain installiert – keine separate Installation notwendig.

GPU verifizieren

Im FrameTrain Dashboard: Einstellungen → GPU Info. Zeigt VRAM, CUDA-Version und GPU-Name.

Apple Silicon (M1-M4)

Apple Silicon wird vollständig unterstützt – keine zusätzliche Konfiguration nötig. FrameTrain nutzt automatisch Metal Performance Shaders (MPS) für GPU-Beschleunigung.

Unterstützte Hardware

NVIDIA GPUs (CUDA)

• GTX 1060 6GB (Minimum)
• GTX 1080 Ti
• RTX 2080/2080 Ti
• RTX 3060/3070/3080/3090
• RTX 4060/4070/4080/4090
• A100, A6000, H100 (Workstation)

Apple Silicon (MPS)

• M1 (8 GB+ Unified Memory)
• M1 Pro / M1 Max
• M2 / M2 Pro / M2 Max / M2 Ultra
• M3 / M3 Pro / M3 Max
• M4 / M4 Pro / M4 Max

Export

Trainierte Modelle exportieren und einsetzen

Exportformate

SafeTensors (.safetensors)

PyTorch (.pt / .bin)

Kompatibel mit allen PyTorch-basierten Frameworks

GGUF (.gguf)

Für llama.cpp, Ollama, LM Studio

LoRA Adapter only

Teilen und verteiltes Deployment

Deployment-Möglichkeiten

Lokal: Das Modell direkt in FrameTrain oder einer lokalen Anwendung nutzen.
llama.cpp: GGUF-Export für effiziente Inferenz auf CPU oder GPU mit llama.cpp.
HuggingFace: SafeTensors-Export für direktes Laden mit HuggingFace Transformers.
Ollama: GGUF-Export für einfachen Einsatz mit Ollama als lokaler LLM-Server.

Troubleshooting

Lösungen für häufige Probleme

Häufige Fehler

CUDA out of memory

Ursache: Batch-Size zu groß, Modell zu groß für VRAM

Lösung: Batch-Size halbieren, Gradient Checkpointing aktivieren, QLoRA statt LoRA verwenden.

Training Loss explodiert (NaN/Inf)

Ursache: Learning Rate zu hoch, Datenproblem

Lösung: Learning Rate um Faktor 10 reduzieren. Datensatz auf NaN-Werte prüfen.

API-Key ungültig

Ursache: Key abgelaufen, Falsches Format

Lösung: Neuen Key auf der Payment-Seite generieren. Sicherstellen, dass kein Leerzeichen am Anfang/Ende.

GPU nicht erkannt

Ursache: Treiber veraltet, CUDA nicht installiert

Lösung: NVIDIA-Treiber updaten (525+). Unter Windows: Geräte-Manager → NVIDIA. Unter Linux: nvidia-smi.

Model Download schlägt fehl

Ursache: Keine Internetverbindung, HuggingFace-Token fehlt

Lösung: Internetverbindung prüfen. Für Gated-Modelle: HuggingFace-Token in den Einstellungen eingeben.

Einstellungen

FrameTrain konfigurieren

Alle Einstellungen

API-Key

Dein Lizenzschlüssel. Ändere ihn hier, wenn du einen neuen Key hast.

Sprache / Language

Oberflächensprache: Deutsch oder Englisch.

Modell-Speicherpfad

Wo Modelle lokal gespeichert werden. Standard: ~/FrameTrain/models

HuggingFace Token

Notwendig für Gated-Modelle (z.B. Llama, Mistral). Token auf huggingface.co/settings/tokens erstellen.

GPU-Auswahl

Bei mehreren GPUs: wähle welche GPU fürs Training genutzt werden soll.

Theme

Helles oder dunkles Design oder eines der 8 vordefinierten Themes.

Auto-Updates

Automatische Update-Prüfung beim Start aktivieren/deaktivieren.

Themes

Passe das Aussehen von FrameTrain an

Dark Themes

Standard für abend- und nachtliches Arbeiten:

Cosmic Dark (Standard)

Dark Mode

Midnight Blue

Dark Mode

Forest Green

Dark Mode

Deep Purple

Dark Mode

Light Themes

Für taghelles Arbeiten:

Arctic White

Light Mode

Warm Sand

Light Mode

Soft Mint

Light Mode

Rose Quartz

Light Mode

Presets

Vorkonfigurierte Trainingsprofile

Verfügbare Presets

Quick Start (7B LoRA)

Epochs: 3Batch: 4LR: 2e-4Einsatz: 7B LLMs, schneller Test

Qualität Max (7B QLoRA)

Epochs: 5Batch: 2LR: 1e-4Einsatz: Maximale Qualität, 7B Modelle

BERT Klassifikation

Epochs: 3Batch: 16LR: 2e-5Einsatz: BERT/RoBERTa Klassifikation

Micro Fine-Tune

Epochs: 1Batch: 8LR: 5e-5Einsatz: Schneller Test neuer Datensätze

Updates

FrameTrain immer aktuell halten

Automatische Updates

FrameTrain prüft beim Start automatisch auf neue Versionen.

Neue Releases werden automatisch erkannt
Du wirst über Änderungen informiert
Installation mit einem Klick
Alle Einstellungen bleiben erhalten

Version prüfen

Aktuelle Version findest du unter:

Einstellungen → Über FrameTrain → Version