> ## Documentation Index > Fetch the complete documentation index at: https://docs.devinenterprise.com/llms.txt > Use this file to discover all available pages before exploring further. # Postentrena modelos personalizados con Devin y Modal > Postentrena un modelo personalizado con Devin en un puesto avanzado de GPU de Modal: ajusta un LoRA de FLUX, despliégalo como endpoint de Modal y entrégalo en un PR Devin postentrenando un LoRA de FLUX en una GPU de Modal, desplegando el mejor checkpoint y agregándolo a una aplicación de chat Devin se ejecuta allí donde el job tenga que ejecutarse. Con [Devin Outposts](/es/cloud/outposts/overview), una sesión puede ejecutarse en tu propia infraestructura o en la plataforma de un socio; en este caso, se ejecuta en un sandbox con GPU de [Modal](https://modal.com/docs/devin), de modo que el mismo Devin que escribe tu código puede entrenar, evaluar y desplegar un modelo de principio a fin. En este tutorial, Devin ajusta un LoRA de FLUX con 18 imágenes de nutrias para que «Devin the software engineer» se genere como una nutria, lo despliega como endpoint de Modal y lo agrega al selector de modelos de una aplicación de chat. ## Antes de empezar * **Crea un puesto avanzado de Modal**: ejecuta `uvx modal-devin init` y elige una GPU para la aplicación de Modal generada. Consulta [Ejecutar Devin en Modal](https://modal.com/docs/devin) y el [inicio rápido de Outposts](/es/cloud/outposts/quickstart.md). * **Conecta tu repositorio**: el de la aplicación en la que quieres integrar el modelo. El video usa una aplicación de chat de demostración privada con un selector de modelos de imagen, clonada en un Modal Volume persistente. ¿No tienes una aplicación? Pide a Devin que primero cree una (por ejemplo, `build a simple chat app with a model picker that calls an image generation endpoint`), u omite la aplicación y haz que Devin solo entrene y despliegue el modelo. * **Prepara tus datos de entrenamiento**: agrega imágenes con sus descripciones al repositorio o a un Modal Volume que monte el puesto avanzado. El ejemplo usa 18 imágenes de nutrias en estilo de dibujos animados con descripciones como «Devin the software engineer in a data center». * **Agrega secretos**: guarda tu clave de Weights & Biases en [Configuración > Secretos](https://app.devin.ai/settings/secrets). El sandbox de Modal ya incluye credenciales de Modal, por lo que Devin puede desplegar endpoints sin configuración adicional. * **Define reglas para ejecuciones largas**: agrega [reglas de organización](/es/product-guides/plugins.md#rules) (o inclúyelas en el prompt), por ejemplo: publicar una actualización del progreso cada 15 minutos, generar imágenes de validación en cada checkpoint e incluir el enlace de vista previa en cada PR. * **Conecta Slack** (opcional): las ejecuciones de entrenamiento tardan horas, así que [sincroniza la sesión con un hilo de Slack](/es/integrations/slack.md#sync-sessions-with-slack-threads) para seguir su avance. ## Paso 1: Inicia una sesión en el puesto avanzado Abre [Devin](https://app.devin.ai/), elige tu puesto avanzado de Modal en el menú **Virtual environment**, situado debajo del cuadro del prompt, y activa el interruptor de Slack en el editor. Comprueba el hardware: ```text theme={null} cuéntame más sobre tu entorno ``` Devin indica que dispone de una NVIDIA B200 con PyTorch y diffusers instalados, y de que el proyecto se encuentra en un Modal Volume persistente. ## Paso 2: Revisa los datos de entrenamiento ```text theme={null} hola devin, muéstrame las imágenes que estoy usando para el aprendizaje supervisado ``` Devin encuentra el conjunto de datos en el proyecto y publica las 18 imágenes, con sus pies de foto, en la sesión y en el hilo de Slack. ## Paso 3: Inicia la ejecución de entrenamiento ```text theme={null} haz post-entrenamiento de flux para crear el modelo otterimage 1.0. cuando termines, agrega otterimage al selector de modelos en otterchat ``` `otterchat` es la aplicación de demostración del video; usa el nombre de tu propio repositorio. Devin ejecuta el job por su cuenta, siguiendo las reglas anteriores: 1. **Entrena el LoRA**: unos 1,000 pasos, registrados en Weights & Biases, con renderizados de validación cada 100 pasos. 2. **Informa en Slack**: comparte el progreso cada 15 minutos junto con los renderizados más recientes. Los primeros renderizados muestran personas; la nutria va apareciendo a medida que avanza el entrenamiento. 3. **Elige el mejor checkpoint**: el del paso 700, ya que los pasos 900 y 1,000 mostraron indicios de sobreajuste. 4. **Despliega y publica**: sirve el paso 700 como un endpoint serverless de Modal, agrega `otterimage 1.0` al selector de modelos de la aplicación de chat, [graba](/es/work-with-devin/testing-and-recordings.md) una prueba de extremo a extremo y abre un PR con un enlace de vista previa. ![Cuadrícula de imágenes de validación en cada checkpoint](https://mintcdn.com/cognitionai-enterprise/lI6J3knrFHRXaW6-/images/tutorial-library/post-training-validation.png?fit=max\&auto=format\&n=lI6J3knrFHRXaW6-\&q=85\&s=508dd2b263df31cecb698f97fac2f4a0) Renderizados de validación del paso 500 al paso 1,000 ## Paso 4: Prueba el modelo Abre el enlace de vista previa del PR y pide una imagen: ```text theme={null} genera una imagen de devin, el ingeniero de software, comiendo espaguetis ``` ![La aplicación de chat genera una nutria de dibujos animados comiendo espaguetis](https://mintcdn.com/cognitionai-enterprise/lI6J3knrFHRXaW6-/images/tutorial-library/post-training-otterchat.png?fit=max\&auto=format\&n=lI6J3knrFHRXaW6-\&q=85\&s=01d56500b347f5fdddde6dbb5e075fba) Con el mismo prompt, un modelo de imágenes de propósito general genera una persona. ## Paso 5: Itera con sesiones secundarias El post-entrenamiento rara vez se resuelve en una sola ejecución. Pásale a Devin un artículo y deja que pruebe las alternativas en paralelo: ```text theme={null} https://arxiv.org/pdf/2309.14859v2 lanza subsesiones que entrenen otterimage con las demás técnicas mencionadas en este artículo, aparte de lora ``` Devin agrega los nuevos métodos al script de entrenamiento en un PR e inicia tres [sesiones secundarias](/es/work-with-devin/advanced-capabilities.md#managed-devins) en el puesto avanzado: una para LoHa, otra para LoKr y otra para el ajuste fino nativo. ![Sesión de Devin con tres sesiones secundarias para LoHa, LoKr y el ajuste fino nativo](https://mintcdn.com/cognitionai-enterprise/lI6J3knrFHRXaW6-/images/tutorial-library/post-training-child-sessions.png?fit=max\&auto=format\&n=lI6J3knrFHRXaW6-\&q=85\&s=e000e44ded334420c7438f429503771b) ## Próximos pasos > **[Ejecutar Devin en Modal](https://modal.com/docs/devin)** > > Crea un puesto avanzado basado en Modal con GPU, Volumes y Secrets > **[Devin Outposts](/es/cloud/outposts/overview)** > > Ejecuta sesiones en tu propia infraestructura o en la plataforma de un partner > **[Integración con Slack](/es/integrations/slack.md)** > > Haz seguimiento de sesiones de larga duración desde un hilo de Slack > **[Devins gestionados](/es/work-with-devin/advanced-capabilities.md#managed-devins)** > > Inicia y supervisa sesiones secundarias para realizar experimentos en paralelo This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.