# NeMo Automodel

[NeMo Automodel](https://github.com/NVIDIA-NeMo/Automodel) é uma biblioteca de treinamento open-source nativa de PyTorch DTensor da NVIDIA. Ela suporta pré-treinamento e ajuste fino em larga e pequena escala para [LLMs](https://docs.nvidia.com/nemo/automodel/latest/model-coverage/large-language-models/overview) e [VLMs](https://docs.nvidia.com/nemo/automodel/latest/model-coverage/vision-language-models/overview), permitindo experimentação rápida em ambientes de pesquisa e produção, com estratégias de paralelismo que incluem FSDP2, tensor, pipeline, expert e context parallelism. Para alto throughput, ela integra kernels do DeepEP e do TransformerEngine.

Defina sua execução de treinamento em um arquivo de configuração YAML (veja o [arquivo de configuração](https://github.com/NVIDIA-NeMo/Automodel/blob/106e5162ef5b5d7269a3ba1ef62bfa8941b26cc6/examples/llm_finetune/nemotron/nemotron_nano_v3_hellaswag_peft.yaml) completo).

```yaml
# Instantiate a Nemotron V3 Nano model
model:
  _target_: nemo_automodel.NeMoAutoModelForCausalLM.from_pretrained
  pretrained_model_name_or_path: nvidia/NVIDIA-Nemotron-3-Nano-30B-A3B-BF16

# Run SFT on HellaSwag
dataset:
  _target_: nemo_automodel.components.datasets.llm.hellaswag.HellaSwag
  path_or_dataset: rowan/hellaswag
  split: train

# Train PEFT adapters
peft:
  _target_: nemo_automodel.components._peft.lora.PeftConfig
  exclude_modules: ["*.out_proj"]  # mamba layers use custom kernels that take in the out_proj.weight directly, thus lora doesn't work here.
  dim: 8
  alpha: 32
  use_triton: True

# Use EP + FSDP2 for training
distributed:
  strategy: fsdp2
  dp_size: none
  tp_size: 1
  cp_size: 1
  ep_size: 4

# ... other parameters
```

Inicie o treinamento com `torchrun` usando o comando abaixo.

```bash
torchrun --nproc-per-node=4 examples/llm_finetune/finetune.py -c /path/to/yaml
```

## Integração com Transformers

- Qualquer LLM ou VLM suportado no Transformers também pode ser instanciado por meio do NeMo Automodel. Consulte a [cobertura completa de modelos](https://docs.nvidia.com/nemo/automodel/latest/model-coverage/overview).
- Construído sobre modelos do Hugging Face com [AutoModel.from_pretrained()](/docs/transformers/main/pt/model_doc/auto#transformers.AutoModel.from_pretrained), com trocas dinâmicas de camadas de alto desempenho e suporte a paralelismos mais refinados, como Expert Parallelism (EP).
- Detecta o campo de arquitetura em [AutoConfig.from_pretrained()](/docs/transformers/main/pt/model_doc/auto#transformers.AutoConfig.from_pretrained) para carregar automaticamente implementações personalizadas, como o Nemotron Nano V3.
- Segue de perto a API do Transformers para compatibilidade direta.

## Recursos

- [NeMo Automodel](https://github.com/NVIDIA-NeMo/Automodel)
- [API do NeMo Transformers](https://docs.nvidia.com/nemo/automodel/latest/get-started/hf-compatibility)
- Modelos densos e Mixture-of-Expert (MoE) do NeMo Automodel e [benchmarks](https://docs.nvidia.com/nemo/automodel/latest/performance/performance-summary)
- Consulte o guia de [pré-treinamento](./nemo_automodel_pretraining) do NeMo para aprender a usar o NeMo para pré-treinamento