# Fa cunostinta cu dragonul tau: de ce sa-ti antrenezi propriul model? Fiecare model AI pe care l-ai folosit vreodata — ChatGPT, Claude, Gemini — este dragonul altcuiva. Puternic, impresionant si complet sub controlul altcuiva. Acest curs te invata sa-ti cresti propriul dragon: un model de limbaj care ruleaza pe hardware-ul **tau**, invata din datele **tale** si raspunde cu vocea **ta**. Fara facturi API, fara limite de utilizare, fara date care parasesc masina ta. Titlul este o aluzie la un anumit film despre un baiat si dragonul lui, pentru ca metafora chiar se potriveste. Un model de limbaj de baza este o creatura salbatica: enorm de capabila, dar inca nu *a ta*. Antrenarea lui — hranirea cu datele potrivite, corectarea comportamentului, testarea zborului — este felul in care devine un companion in loc de o curiozitate. ## Ce inseamna de fapt "sa-ti antrenezi propriul model" in 2026 Sa fim precisi, pentru ca termenii sunt folositi abuziv. **Nu** vei antrena un model de la zero. Antrenarea modelelor de clasa GPT de la zero costa zeci de milioane de dolari si un datacenter. Ceea ce *vei* face este **fine-tuning**: iei un model puternic open-weights (Qwen, Llama, Gemma, Mistral) care deja vorbeste fluent, si il inveti sarcina ta specifica, tonul tau si domeniul tau.

Concept

Model de baza = un dragon crescut de altcineva (Meta, Alibaba, Google, Mistral) si eliberat in salbaticie cu ponderi deschise (open weights). Fine-tuning = adoptarea acelui dragon si antrenarea lui pentru treaba ta: sa raspunda clientilor tai, sa scrie in stilul tau, sa cunoasca domeniul tau.
Nu este un flux de lucru de jucarie. In 2026, companiile fac fine-tune pe modele mici open-source pentru ca un model 4B bine antrenat, care cunoaste produsul *tau*, bate un model gigant generic la acea sarcina — in timp ce ruleaza local, gratuit, cu confidentialitate totala a datelor. ## Ce vei construi in acest curs De-a lungul a 8 lectii, vei antrena **Ember** — propriul tau model fine-tuned. Concret, vei: - Alege un obiectiv de antrenare realist si vei defini cum arata "succesul" - Intelege exact ce poate si ce nu poate antrena hardware-ul tau (acoperim doua configuratii reale: un **Mac Studio M3 Ultra cu 96 GB memorie unificata** si un **PC cu Intel i9 si RTX 4090 cu 24 GB VRAM**) - Construi un dataset de instructiuni curat in format JSONL - Rula un fine-tune LoRA real cu MLX (Mac) sau Unsloth (PC) - Evalua rezultatele ca un inginer, nu ca un fan - Trece la nivelul urmator cu QLoRA, preference tuning si cuantizare - Exporta modelul in GGUF si il vei servi cu Ollama sau LM Studio, sau il vei publica pe Hugging Face

Nota sincera

Fine-tuning-ul nu ii va da modelului tau superputeri de rationament si nu il va invata fapte in mod fiabil. Schimba comportamentul: ton, format, disciplina in sarcini, vocabular de domeniu. Daca ai nevoie de fapte la zi, aceea e treaba pentru RAG — iar lectia 2 te invata sa faci diferenta inainte sa pierzi o saptamana de antrenari.
## De ce antrenarea locala a devenit brusc realista Trei lucruri au convers ca sa faca acest curs posibil pe un birou, nu intr-un datacenter: **1. Modelele mici open-source au devenit socant de bune.** Un model 4B–8B din era 2026 depaseste modelele 70B de acum doi ani la majoritatea sarcinilor practice. Suficient de mic ca sa-l antrenezi acasa, suficient de bun ca sa conteze. **2. Fine-tuning eficient in parametri (LoRA/QLoRA).** In loc sa actualizezi toate miliardele de ponderi, antrenezi matrici "adapter" minuscule — adesea sub 1% din model. Asta taie necesarul de memorie cu un ordin de marime. Dragonul tau invata trucuri noi fara sa-si regenereze tot creierul. **3. Hardware-ul de consum a prins din urma.** Memoria unificata de la Apple permite unui Mac Studio sa tina modele uriase in RAM, pe care GPU-ul le poate folosi direct. RTX 4090 de la NVIDIA aduce putere serioasa de antrenare la o fractiune din preturile de datacenter. Ambele configuratii din acest curs sunt masini reale pe care oamenii chiar le au, nu ipoteze. ## Cele doua masini pe care le vom folosi pe tot parcursul Fiecare lectie practica iti ofera doua cai — urmeaz-o pe cea care se potriveste hardware-ului tau: - **Calea A — Mac Studio, M3 Ultra, 96 GB memorie unificata.** Antrenarea ruleaza pe MLX, framework-ul Apple. Memoria uriasa inseamna ca incap modele uriase; viteza bruta de antrenare este mai modesta. - **Calea B — PC, Intel i9 + RTX 4090 (24 GB VRAM).** Antrenarea ruleaza pe CUDA cu Unsloth si bibliotecile Hugging Face. Mai putina memorie, dar viteza de calcul brutala — 4090 antreneaza modele mici mai repede decat Mac-ul. Nu ai nevoie de *exact aceste* masini. Orice Mac cu Apple Silicon si 32 GB+ sau orice GPU NVIDIA cu 12 GB+ poate urma cursul cu modele mai mici. Lectia 3 iti da matematica exacta a memoriei ca sa stii ce incape pe masina *ta*. ## Cerinte preliminare - **Sa te descurci cu un terminal** — stii sa deschizi unul, sa navighezi cu `cd` si sa rulezi comenzi. Nu e nevoie de diploma in programare. - **Python instalat** (3.10+) — vom folosi `pip` pentru a instala tot restul. - **Spatiu pe disc** — 50 GB liberi. Modelele sunt voluminoase. - **Rabdare pentru iteratie** — primul tau model antrenat va fi mediocru. E normal, iar lectia 6 este dedicata transformarii lui intr-unul bun.

Incearca

Inainte de lectia urmatoare, instaleaza un runner local de modele si simte cum e "un model pe masina ta". Descarca LM Studio (lmstudio.ai) sau Ollama (ollama.com), trage un model mic precum qwen3:4b si converseaza cu el. Observa ce face bine — si unde pare generic. Acea senzatie de generic este exact ce elimina antrenarea.

Checkpoint

Intelegi diferenta dintre antrenarea de la zero (nu noi) si fine-tuning (noi). Cunosti proiectul cursului: antrenarea lui "Ember", propriul tau model fine-tuned, pe propriul tau hardware. Urmeaza: sa decidem ce ar trebui sa invete de fapt dragonul tau.