Tutorials & Tipps

Wie Shopify mit PyTorch und vLLM einen kontinuierlichen Lernzyklus aufbaut und die Servicekosten um 96 % senkt

Originaltitel:How Shopify built a continual learning loop with PyTorch and vLLM

KI-Zusammenfassung

Shopify erläutert im offiziellen PyTorch-Blog seinen kontinuierlichen Lernzyklus auf Basis von PyTorch und vLLM. Über eine selbstheilende Pipeline werden Produktionsfehler in Trainingssignale umgewandelt; mit SFT und GRPO übertrifft das spezialisierte Modell die Qualität von Frontier-Modellen. Die Kosten für den GraphQL-Agent-Dienst sinken von geschätzten rund 27 Mio. US-Dollar pro Jahr auf etwa 1 Mio. US-Dollar, ein Rückgang um 96 %.

Kernpunkte

  • Shopify erläutert im offiziellen PyTorch-Blog seinen kontinuierlichen Lernzyklus auf Basis von…
  • Über eine selbstheilende Pipeline werden Produktionsfehler in Trainingssignale umgewandelt
  • mit SFT und GRPO übertrifft das spezialisierte Modell die Qualität von Frontier-Modellen.
  • Die Kosten für den GraphQL-Agent-Dienst sinken von geschätzten rund 27 Mio.
  • US-Dollar pro Jahr auf etwa 1 Mio.

Auf einen Blick

Veröffentlicht
Aktualisiert
Quelle
PyTorch:Blog(RSS)
Kategorie
Tutorials & Tipps
KI-Bewertung
63
Original lesen Den vollständigen Artikel bei der Originalquelle lesen
Warum es wichtig ist

原文给出从质量标注、判官校准到 SFT 加 RL 和 gist 压缩的完整闭环方法,可迁移到自建 Agent 的持续学习场景。

Quelle & Urheberrecht

Dieser Artikel basiert auf kuratierten Titeln und KI-Zusammenfassungen der öffentlichen AIHOT-API, mit Quellenangabe und Rückverlinkung. Das Urheberrecht am Original liegt bei den ursprünglichen Medien und Autoren; diese Seite spiegelt keine Volltexte.

Originalartikel · AIHOT-Eintrag

Zitierhinweis

Beim Zitieren dieses Artikels bitte Titel, Datum und Permalink beibehalten und Orange News als Quelle angeben.

Orange News: Wie Shopify mit PyTorch und vLLM einen kontinuierlichen Lernzyklus aufbaut und die Servicekosten um 96 % senkt. 22. September 2026. https://new.nat6.net/de/news/a5jvwbhkh9hmz3r0zwq4hqsy9/

Alle ansehen →