创建模型调优任务

模型广场：即平台提前预置的模型文件，用户可自由选择。

自定义模型：用户需提前将自有模型添加至平台，具体操作可参考添加模型相关内容。

LoRA（Low-Rank Decomposition）：在训练中模型主体不变，只微调少量参数，快速适应特定需求。适合大模型的调优，如 LLM 等。

Full Fine-Tuning：在训练中调整模型的所有参数，更好适应复杂任务。所需数据量大，任务复杂，适合中小规模的模型，如医学影像诊断等。

循环次数：即 n_epochs，其代表模型训练过程中模型学习数据集的次数，可理解为看几遍数据，一般建议的范围是 1~3 遍即可，可依据需求进行调整。推荐范围：[1, 200]

学习率：即 learning_rate，其代表每次更新数据的增量参数权重，学习率数值越大参数变化越大，对模型影响越大。

批次大小：即 batch_size，其代表模型训练过程中，模型更新模型参数的数据步长，可理解为模型每看多少数据即更新一次模型参数。

学习率调整策略：即 lr_scheduler_type，选择不同的学习率策略，动态地改变模型在训练过程中更新权重时所采用的学习率大小。

验证步数：即 eval_steps，训练阶段针模型的验证间隔步长，用于阶段性评估模型训练准确率、训练损失。推荐范围：[1, 2147483647]。

序列长度：即 max_length，训练数据的序列长度，单个训练数据样本的最大长度，超出配置长度将自动截断。推荐范围：[500, 131072]。

学习率预热比例：即 warmup_ratio，warmup 占用总的训练 steps 的比例。推荐范围：(0, 1)。

模型断点保存间隔：选填，即 save_steps，指训练过程中每隔多少 epoch 或 step 保存一次模型的完整状态（包括模型权重、优化器状态、训练进度等）。

梯度积累步数：选填，即 gradient_accumulation_steps，指在 GPU 显存不足时，通过 多次前向传播和反向传播累积梯度，直到累积步数达到设定值后再统一更新模型参数。

是否使用 bf16 格式：选填，指是否选择用 16位脑浮点数（bfloat16）作为模型训练或推理的数值精度，用户可根据实际需要进行勾选。

数据拆分：用户可直接设置训练数据集中一定百分比的数据作为验证集。

自定义验证集：用户需提前上传至平台的存储与数据服务的用户目录中，并在此处选择相应文件。

资源组：平台内已创建完成的，且申请了计算资源的可用资源组。

指定节点：根据所选资源组，指定相应计算节点，并设置其 vCPU 核数、内存、系统盘大小、GPU 个数（选填）、数据盘大小（选填）。