# Hugging Face diz que modelo prevê melhor o tempo de fine-tuning

- Publicada: 2026-11-18T18:53:43.000Z
- Atualizada: 2026-11-18T22:05:35.640Z
- Editoria: Desenvolvimento
- Assuntos: Pesquisa
- Página: https://aidailyjournal.com/pt/n/2026/11/18/hugging-face-says-a-model-predicts-fine-tuning-time-more-accurately/
- Fontes: [Hugging Face](https://huggingface.co/blog/Dharma-AI/predicting-fine-tuning-time)

## Resumo

Em uma prévia de artigo ainda não publicado no arXiv, a Hugging Face analisou 272 trabalhos de supervised fine-tuning (SFT) executados em seu conjunto de GPUs NVIDIA H200, totalizando cerca de 7.382 horas de GPU. Segundo a empresa, a estimativa baseada apenas em FLOPs explicou pouco dos tempos observados (R² = 0,31; erro absoluto médio de 12,41 horas), enquanto um regressor CatBoost alcançou R² = 0,98, erro médio de 1,71 hora e erro mediano de 0,51 hora em validação cruzada de cinco partes.

O modelo usa informações disponíveis antes da distribuição do trabalho, como configuração, tamanho dos dados, modelo, alocação de GPUs, frequência de avaliações e política de checkpoints. A Hugging Face afirma que cálculos de FLOPs não capturam adequadamente tarefas como preparação do ambiente, carregamento, tokenização, avaliações, uploads e competição por rede e armazenamento em clusters compartilhados.

## Por que importa (interpretação editorial)

Se os resultados se confirmarem após a publicação e validação do artigo, estimativas de duração que consideram a configuração completa do trabalho podem ajudar equipes a planejar melhor jobs de fine-tuning do que métricas baseadas apenas em FLOPs. O estudo também ressalta o peso operacional de avaliações, checkpoints e recursos compartilhados no tempo total.

_Resumo escrito pelo AI Daily Journal a partir das fontes acima, com palavras próprias. Para detalhes, leia as matérias originais._
