Menu
Catalogue des datasets d'entrainement pour fine-tuning local sur Apple Silicon (M3 Max 128 GB).
Installer avec Codex ou Claude Copiez ce prompt, collez-le dans Codex, Claude ou un autre assistant, puis laissez-le vérifier la page du skill et l'installer pour vous.
Basé sur la classification professionnelle SOC
Proton CLI local email indexing and search pipeline.
Proton CLI local email indexing and search pipeline.
Expert LiteLLM - AI Gateway proxy multi-provider, routing fallback, budgets/spend, caching, guardrails, MCP gateway, logging. Consulter pour decisions d'integration LiteLLM dans IntelliSoins.
mlx-audio — Text-to-Speech (TTS), Speech-to-Text (STT) et Speech-to-Speech (S2S) optimisé pour Apple Silicon. Supporte le clonage de voix zero-shot (VoxCPM2, F5-TTS, Voxtral) et le fine-tuning (OuteTTS via mlx-lm, F5-TTS).
Manage the local AI/ML inference servers in this repository via `./aictl`. Use this project skill whenever Michael asks about ai-servers, aictl, local model server status, health checks, LaunchAgents, port conflicts, MLX servers, LiteLLM proxy, embeddings, reranker, GLiNER, Whisper STT, Kokoro TTS, oMLX, Ollama, or the PRO-G40 model-cache disk.
Stack AI/ML personnelle Michael Ahern, installée nativement sur le disque (Apple Silicon M3 Max via Homebrew + Launch...
| name | training-datasets |
| description | Catalogue des datasets d'entrainement pour fine-tuning local sur Apple Silicon (M3 Max 128 GB). |
Catalogue des datasets d'entrainement pour fine-tuning local sur Apple Silicon (M3 Max 128 GB). Verifier l'etat reel (wc -l) avant de citer ces chiffres. Derniere verification: 2026-04-22.
Deux formats XML coexistent dans la famille Qwen3/3.5 — ne pas confondre. Detail complet: skill
intellisoins-mlx:qwen3-finetuning-tool-calling.
<tool_call>)S'applique a: Qwen3-0.6B/4B/8B, Qwen3.5-35B-A3B, Qwen3-VL-*. Parser serveur: qwen3, qwen3_coder, hermes (selon modele).
| Dataset | Chemin | Train | Valid | Contenu |
|---|---|---|---|---|
| qwen3-tool-calling | ~/Finances_Assurances/training-data/qwen3-tool-calling/ | 22,952 | 5,747 | 77 outils, 9 domaines, dispersion 8-14 outils/exemple |
| qwen3-merged-v2 | ~/Finances_Assurances/training-data/qwen3-merged-v2/ | 27,277 | 5,132 | Polyvalent + medical merged, test split (1,692) |
| qwen3-multiturn | ~/Finances_Assurances/training-data/qwen3-multiturn/ | 452 | 56 | Conversations multi-turn reelles (tool_response inclus) |
| nemotron-unified-qwen3 | ~/openclaw/pipeline/training-data/nemotron-unified-qwen3/ | 2,662 | 301 | Sessions Claude Code reelles, inclut <think> reasoning |
Domaines couverts (77 outils): finance (28), mail (10), eventkit (8), chrome (8),
pgvector (6), spotlight (4), reminders (4), apple_apps (5), classification (4).
Tool definitions: ~/Finances_Assurances/training-data/qwen3-tool-calling/tool_definitions_openai.json
<function=NAME><parameter=K>V</parameter>)S'applique a: Qwen3.5-9B-MLX-4bit uniquement (a ce jour). Parser serveur: qwen3_coder OBLIGATOIRE.
Le chat template officiel du modele exige ce format — ne pas convertir vers Format A.
| Dataset | Chemin | Train | Valid | Contenu |
|---|---|---|---|---|
| qwen35-9b-complete-v1-32k | ~/Finances_Assurances/training-data/qwen35-9b-complete-v1-32k/ | 11,178 | 1,964 | Heterogene: ~53% style writing (textos + courriels Michael), ~44% sessions Claude Code agentic avec tool*calls (4,880 ex), ~3% autre. p50=367 tok, p95=23K tok, max=33.5K tok. tool_call_id: toolu*\* d'Anthropic preserves. |
Adapters existants sur ce dataset: qwen35-9b-micro-v1/ (100 iters), qwen35-9b-full-v1/ (2000 iters @ max-seq 4K, loss final 2-4 oscillant).
| Dataset | Chemin | Train | Valid | Contenu |
|---|---|---|---|---|
| gui-automation | ~/Finances_Assurances/training-data/gui-automation/ | 812 | 91 | Sessions Claude Code → screenshot + action (navigate/click/etc.). messages[].content = [{type:"image", image:"<path>"}, {type:"text", text:"..."}]. _meta: project, url, action_type, session_id. |
| vision-screenshots | ~/Finances_Assurances/training-data/vision-screenshots/ | 5,263 JPG | — | Pool d'images referencees par gui-automation (aussi utilisables ailleurs). |
Fusion avec un dataset texte-only (ex. qwen35-9b-complete-v1-32k): mlx-vlm 0.4.4+ gere les deux formats dans le meme run (content=string pour texte pur, content=list pour multimodal).
| Dataset | Chemin | Train | Valid | Contenu |
|---|---|---|---|---|
| Original polyvalent | ~/Finances_Assurances/training-data/train.jsonl | 22,952 | 5,738 | Source des conversions Qwen3, 94.3% sessions reelles |
| Medical IntelliSoins | ~/intellisoins-pubmed/data/gemma3-dataset/ | 49 | 9 | 26 outils PubMed/pharma/KG, petit a enrichir |
| Merged A+B | ~/Finances_Assurances/training-data-merged/ | 29,331 | 6,470 | Polyvalent + medical merged |
Tool definitions (Gemma): ~/Finances_Assurances/training-data/tool_definitions.json (77 outils)
Script conversion Gemma→Qwen3: skill intellisoins-mlx:qwen3-finetuning-tool-calling, script convert_gemma_to_qwen35.py
| Dataset | Chemin | Train | Valid | Usage |
|---|---|---|---|---|
| email-style-v4 | ~/Finances_Assurances/training-data/email-style-v4/ | 1,299 | 164 | Style reponse email de Michael (v1, v3 aussi dispo) |
| imessage-style | ~/Finances_Assurances/training-data/imessage-style/ | 5,031 | 559 | Style iMessage de Michael |
| categorisation | ~/Finances_Assurances/training-data/train_categorisation.jsonl | 2,432 | 608 | Transaction → categorie JSON |
| Dataset | Chemin | Exemples | Usage |
|---|---|---|---|
| ocr_examples | ~/Finances_Assurances/training-data/ocr_examples.jsonl | 420 | Classification docs scannes |
| real_ocr_examples | ~/Finances_Assurances/training-data/real_ocr_examples.jsonl | 120 | OCR reel Apple Vision |
| new_00_a_classer | ~/Finances_Assurances/training-data/new_00_a_classer_examples.jsonl | 315 | Exemples 00_A_CLASSER |
| Dataset | Chemin | Exemples | Usage |
|---|---|---|---|
| embedding_triplets | ~/Finances_Assurances/training-data/train_embedding_triplets.jsonl | 2,405 train / 602 valid | Triplets (anchor, positive, negative) pour fine-tune embeddings |
| Modele | Base | Status | Adapters | Fused |
|---|---|---|---|---|
| Gemma3-270M | gemma-3-270m-it-bf16 | Entraine (2000 iters) | ~/Finances_Assurances/finetune-gemma3-270m/adapters/ | Oui (831 MB) |
| Gemma3-1B | gemma-3-1b-it-bf16 | Config prete, pas entraine | — | — |
Ollama v0.19.0 accepte les modeles safetensors via ollama create --experimental:
# 1. Fine-tune MLX
python3 -m mlx_lm lora --config config.yaml
# 2. Fuse
python3 -m mlx_lm fuse --model <base> --adapter-path ./adapters --save-path ./fused
# 3. Import Ollama (safetensors natif, runner MLX)
cat > Modelfile << EOF
FROM ./fused
SYSTEM "Mon system prompt"
EOF
ollama create mon-modele -f Modelfile --experimental
Le runner MLX d'Ollama utilise le KV cache avec snapshots (prefix caching automatique). Performance testee (Qwen3.5-35B-A3B): ~87 t/s gen Ollama vs ~106 t/s mlx-lm direct.