Nova etapa do Aurora organiza o fine-tuning por fila, permite comparar recursos de computação e confere o modelo produzido por tamanho e sha256 antes da entrada no catálogo.
O Aurora passou a organizar o refinamento de modelos de inteligência artificial (fine-tuning) em uma fila de treino com escolha de recurso de computação, acompanhamento baseado em medições e conferência do artefato produzido. A mudança importa para gestores públicos de saúde, hospitais e equipes de TI porque reúne, em um mesmo fluxo, os insumos do treino, o hardware selecionado e a procedência do modelo resultante.
A primeira fase do módulo foi executada em uma GPU RTX 4090. No painel, a organização escolhe um modelo-base, uma versão aprovada de dataset, um protocolo de avaliação e um perfil de computação cadastrado pela Inova. As opções exibem especificações como GPU, memória de vídeo (VRAM), região e quantidade de executores ativos, permitindo comparar o recurso antes de colocar o trabalho na fila.
O sistema também separa medição de previsão. Durante o treino, a barra de progresso usa passos efetivamente registrados; em fases que movimentam arquivos, usa bytes. Quando ainda não existe uma medida suficiente, não há denominador ou o executor deixa de enviar sinal, a barra pode desaparecer em vez de permanecer congelada. A estimativa de conclusão, quando exibida, aparece em uma faixa calculada a partir de percentis do tempo por passo, e não como um prazo único.
Antes de enfileirar o trabalho, o formulário apresenta uma estimativa de armazenamento. O cálculo considera o peso do modelo-base, o dataset em disco, a saída, os checkpoints e a reserva total, além de informar se o volume cabe na cota disponível. A mesma regra é usada pelo servidor para admitir o treino.
Ao final, o resultado não entra automaticamente como modelo pronto para uso. O artefato é conferido por tamanho, existência dos arquivos e sha256, um código que permite verificar se o arquivo baixado corresponde ao que foi produzido. O catálogo ganhou manifesto e download por arquivo com suporte a retomada de transferência. Depois da conferência, o modelo aparece como uma versão filha em rascunho, preservando a relação com o modelo de origem, o dataset e o protocolo usados.
O módulo oferece treino completo e LoRA, técnica que adapta parte do modelo. A opção QLoRA foi retirada do formulário porque a implementação correspondente não estava disponível no executor. No caso do LoRA, a exportação produz o peso completo para a entrega ao catálogo.