Berkeley RDI 发布开源平台 CUA-Lite
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
本条选题由第三方线索发现；线索方提供的摘要未被采用，本页内容依据下方信源整理。线索来源：AIHOT
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载三步命令跑通流程
CUA-Lite 的使用方式围绕三条命令行展开。第一步用 lite.data.hf.download 模块把语料下载到本地目录，通过 --out 指定落盘位置。第二步调用 lite.train.export.export_sft，把语料导出成可供模型直接训练的 SFT parquet 文件，这一步需要给出模型标识、配置文件路径、数据路径以及图像根目录，输出位置由 -o 参数决定。第三步在 Slime 容器中执行监督微调，脚本为 scripts/train/run_sft.sh，运行时需要设置模型标识与上一步产出的 parquet 数据路径两个环境变量。三段命令之间以数据文件为衔接，前一步的输出目录正是后一步的输入来源，形成从原始语料到微调权重的完整链路。
配置与数据分离
从命令结构看，平台把可调部分集中放在配置目录下的 yaml 文件中，示例里监督微调使用的是 recipes/sft/default.yaml 这一份配方。数据路径与图像根目录分别由独立参数传入，意味着同一份配方可以指向不同的数据集合，而不必改动脚本本身。导出环节把模型标识作为参数之一，说明导出的 parquet 结构会随目标模型变化，而非固定格式。训练环节则把模型标识与数据路径改为环境变量传入，与导出环节的参数风格不同，使用者在串联流程时需要注意这一差别，避免把参数写错位置。
面向计算机使用
该平台定位为计算机使用智能体的开源工具，材料给出的流程覆盖语料获取、训练数据导出与监督微调三个环节，未涉及推理部署或评测部分的具体命令。对希望复现或在此基础上改造的使用者而言，价值在于每一步都有明确的入口模块和脚本名，可以单独替换其中一环，例如只取导出的 parquet 用于其他训练框架，或只复用下载下来的语料。限制同样明显：流程依赖 Slime 容器环境，相关说明单独放在文档中；配方文件的具体内容、支持的模型范围以及语料规模，材料均未给出，实际使用前需要自行核对配置与数据是否匹配。
为什么值得看
提供了计算机使用智能体从数据准备到训练的完整开源方案。
信源1 家
关键事实
相关 · 工具
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。