Homebrew کے رہنمائی شدہ AI ورک فلو کے ساتھ متنی اور تصویری ماڈلز کو بہتر بنائیں

Homebrew کیا کرتا ہے

Homebrew زبان اور تصویری ماڈلز کو fine-tune کرنے کے لیے ایک رہنمائی فراہم کرنے والا ایجنٹ ہے۔ تربیتی اسکرپٹس اور کنفیگریشنز خود تیار کرنے کے بجائے، یہ آپ کو ایک brewmaster سے چیٹ کرنے دیتا ہے: یہ AI ماڈل ابتدائی خیال سے لے کر ڈیٹا کی تیاری، تربیت، جانچ، ایکسپورٹ اور اشاعت تک پورے منصوبے کی رہنمائی کرتا ہے۔

brewmaster کے طور پر Claude، OpenAI کا ماڈل، OpenRouter کے ذریعے حاصل کیا گیا ماڈل، مقامی Ollama یا LM Studio ماڈل، یا کوئی دوسرا OpenAI-compatible سرور استعمال کیا جا سکتا ہے۔ رہنمائی آپ کی منتخب کردہ تجربے کی سطح کے مطابق بدلتی ہے: Beginner، Hobbyist، Builder یا Expert۔

Homebrew مکمل ورک فلو میں مدد کے لیے بنایا گیا ہے:

• ماڈل کے عمومی خیال کو ایک واضح تربیتی مقصد میں تبدیل کرنا۔
• مقامی ہارڈویئر کا پتا لگانا یا SSH کے ذریعے ریموٹ GPU سرور تیار کرنا۔
• مطابقت رکھنے والے بنیادی ماڈل اور تربیتی طریقے کا انتخاب کرنا۔
• تربیتی ڈیٹا تلاش کرنا، درآمد کرنا، صاف کرنا، پیش نظارہ دیکھنا یا تیار کرنا۔
• ماڈل کے مخصوص رہنما اصولوں کے اندر ہائپر پیرامیٹرز تجویز کرنا۔
• پسِ منظر میں تربیتی جابز چلانا اور loss، پیش رفت اور ETA کی اطلاع دینا۔
• نتیجے کو اصل بنیادی ماڈل کے مقابل جانچنا۔
• ایک adapter یا merged model ایکسپورٹ کرنا۔
• ماڈل کارڈ تیار کرنا اور نتیجہ Hugging Face پر اپ لوڈ کرنا۔

Homebrew پیسہ خرچ کرنے، سافٹ ویئر انسٹال کرنے، کسی بیرونی فراہم کنندہ کو ڈیٹا بھیجنے یا ماڈل شائع کرنے سے پہلے تصدیق طلب کرتا ہے۔ پاس ورڈز، API keys اور tokens چیٹ کے ذریعے منتقل نہیں ہوتے۔

تربیت کے معاون ورک فلو

متنی ماڈلز

Homebrew میں درج ماڈل فیملیز شامل ہیں، جن میں Qwen3، Qwen3.5 اور مطابقت رکھنے والے Qwen architectures، Qwen3.5 MoE، Llama 3.1 سے 3.3 تک، Gemma 3 اور Gemma 4 شامل ہیں۔ ماڈل اور دستیاب ہارڈویئر کے لحاظ سے تربیت میں LoRA، QLoRA یا مکمل fine-tuning استعمال کی جا سکتی ہے۔

ہر متنی تربیتی جاب کے تین میں سے ایک مقصد ہوتا ہے:

• SFT: کسی instruct ماڈل کو رویہ، انداز، جوابی فارمیٹ یا tool-use pattern سکھانے کے لیے supervised fine-tuning۔
• CPT: خام متن پر continued pretraining، جو عموماً بنیادی ماڈل کو کسی domain یا زبان کی تعلیم دینے کے لیے استعمال ہوتی ہے۔
• DPO: منتخب اور مسترد جوابات استعمال کرتے ہوئے ترجیحات کی تربیت۔

ان مقاصد کو سلسلہ وار استعمال کیا جا سکتا ہے۔ عام طریقوں میں سادہ SFT، CPT کے بعد SFT، اور SFT کے بعد DPO شامل ہیں۔ جب LoRA کے مراحل سلسلہ وار چلائے جائیں، تو Homebrew اگلا مرحلہ شروع کرنے سے پہلے ہر مرحلے کو اس کے ابتدائی weights میں merge کر دیتا ہے۔

تصویری ماڈلز

تصویری تربیت کے لیے Homebrew Qwen-Image 2.1 کے LoRA adapters کو سپورٹ کرتا ہے۔ یہ adapters انداز، کرداروں یا اشیا کو ہدف بنا سکتے ہیں۔ تربیت کے دوران Homebrew step zero اور بعد کے checkpoints پر fixed seeds استعمال کرتے ہوئے پیش نظارتی تصاویر render کر سکتا ہے، جس سے بصری موازنہ آسان ہو جاتا ہے۔

Homebrew انسٹال کریں

Control-plane انسٹالیشن

اگر تربیت کرائے گئے یا ریموٹ GPU سرور پر چلنی ہے، تو آپ کے مقامی کمپیوٹر کو صرف ہلکی پھلکی Homebrew انسٹالیشن درکار ہے:

pip install "homebrew-ai @ git+https://github.com/empero-org/homebrew-ai"

رہنمائی فراہم کرنے والا انٹرفیس شروع کریں:

homebrew

مقامی GPU انسٹالیشن

اگر کمپیوٹر میں NVIDIA GPU موجود ہے اور تربیت مقامی طور پر ہونی ہے، تو تربیتی اضافے انسٹال کریں:

pip install "homebrew-ai[train] @ git+https://github.com/empero-org/homebrew-ai"

آپ انسٹالیشن، provider configuration، Hugging Face login اور ہارڈویئر کی تصدیق اس طرح کر سکتے ہیں:

homebrew doctor
homebrew hardware

ریموٹ تربیتی سرور کا معائنہ کرنے کے لیے اس کا SSH command دیں:

homebrew hardware --ssh "ssh user@example-server"

رہنمائی کرنے والے AI کو کنفیگر کریں

پہلی بار چلنے پر Homebrew پوچھتا ہے کہ brewmaster کے طور پر کون سا AI کام کرے۔ پھر یہ مطلوبہ API key طلب کرتا ہے، اسے محدود permissions کے ساتھ مقامی طور پر محفوظ کرتا ہے، آپ سے تجربے کی سطح پوچھتا ہے اور ایک project بناتا ہے۔

دستیاب guide types یہ ہیں:

• Claude: README بہترین رہنمائی کے لیے اس اختیار کی سفارش کرتا ہے۔
• OpenAI: tool calling کے ساتھ chat model استعمال کرتا ہے۔
• OpenRouter: ایک API key کے ذریعے متعدد ماڈلز تک رسائی فراہم کرتا ہے۔
• Ollama یا LM Studio: مقامی طور پر چلتا ہے؛ project اچھے نتائج کے لیے کم از کم 14B parameters اور tool calling والے ماڈل کی سفارش کرتا ہے۔
• Custom: vLLM یا llama.cpp جیسے OpenAI-compatible endpoint سے منسلک ہوتا ہے۔

بعد میں رہنمائی کرنے والا ماڈل تبدیل کرنے کے لیے چلائیں:

homebrew setup

Homebrew اپنے رویے کو guide کے مطابق ڈھالتا ہے۔ طاقتور ماڈلز کو مکمل toolset ملتا ہے، جبکہ چھوٹے مقامی ماڈلز کو ہر phase کے مخصوص tools اور زیادہ منظم رہنمائی ملتی ہے۔ native tool calling کے بغیر ماڈلز Homebrew کا text protocol خودکار طور پر استعمال کر سکتے ہیں۔

اپنا پہلا Fine-Tuning Project بنائیں

آپ موجودہ directory میں homebrew کے ذریعے شروع کر سکتے ہیں، یا براہِ راست نام والا project بنا سکتے ہیں:

homebrew new my-pirate-chemist
cd my-pirate-chemist
homebrew

مطلوبہ نتیجہ عام زبان میں بیان کریں۔ مثال کے طور پر:

a chatbot that explains chemistry like a friendly pirate

brewmaster اس وقت تک سوالات پوچھے گا جب تک مقصد واضح نہ ہو جائے۔ پھر یہ ہارڈویئر کا جائزہ لیتا ہے، بنیادی ماڈل تجویز کرتا ہے، licensing کی ضروریات پر گفتگو کرتا ہے اور طے کرتا ہے کہ مقامی یا کرائے کی compute مناسب ہے۔

Brewing Workflow پر عمل کریں

1. مقصد متعین کریں

ماڈل کے مطلوبہ رویے، سامعین، موضوع، output style یا تصویری تصور کی وضاحت کریں۔ واضح مقاصد brewmaster کو موزوں ڈیٹا اور مناسب تربیتی مقصد منتخب کرنے میں مدد دیتے ہیں۔

2. Compute منتخب کریں

Homebrew مقامی ہارڈویئر کا پتا لگاتا ہے۔ اگر موزوں NVIDIA GPU دستیاب نہ ہو، تو یہ مطابقت رکھنے والا GPU تجویز کر سکتا ہے اور Runpod اور Vast.ai کی تقریباً قیمتیں فراہم کر سکتا ہے۔ یہ آپ کی طرف سے اکاؤنٹ نہیں بناتا اور نہ ہی پیسہ خرچ کرتا ہے۔

مشین کرائے پر لینے کے بعد فراہم کنندہ کی SSH کمانڈ ہدایت یافتہ سیشن میں پیسٹ کریں۔ اس کے بعد Homebrew ہارڈویئر کی جانچ، ماحول کی تیاری، ڈیٹا اپ لوڈ، ٹریننگ شروع کرنے اور نتائج واپس حاصل کرنے کا کام کر سکتا ہے۔

روکے گئے کلاؤڈ انسٹنسز اسٹوریج کے لیے بلنگ جاری رکھ سکتے ہیں۔ پروجیکٹ مکمل ہونے پر کرائے پر لیے گئے وسائل ختم کر دیں۔

3. بنیادی ماڈل منتخب کریں

brewmaster مقصد، دستیاب میموری، مطلوبہ ٹریننگ طریقے اور لائسنسنگ کی ضروریات کی بنیاد پر ماڈل تجویز کرتا ہے۔ یہ بھی جانچا جاتا ہے کہ محدود رسائی والے ماڈل تک رسائی دستیاب ہے یا نہیں۔

معاونت یافتہ ماڈلز خود دیکھنے کے لیے یہ کمانڈ استعمال کریں:

homebrew models
homebrew models --modality text --all
homebrew models --modality image --all

4. ڈیٹا تیار کریں

ٹریننگ ڈیٹا Hugging Face، مقامی فائلوں، brewmaster کے ساتھ تحریر کردہ مثالوں یا اختیاری مصنوعی تخلیق سے حاصل کیا جا سکتا ہے۔ Homebrew Hugging Face ڈیٹاسیٹس کو پہلے ڈاؤن لوڈ کیے بغیر تلاش اور پیش منظر میں دکھا سکتا ہے۔

مصنوعی ڈیٹا کی تخلیق اختیاری ہے۔ یہ مختصر ہدایت سے گفتگوئیں بنا سکتی ہے، موجودہ ڈیٹاسیٹ کو مطلوبہ انداز میں دوبارہ لکھ سکتی ہے، یا DPO کے لیے ترجیحی جوڑے تیار کر سکتی ہے۔ کام بیچ مکمل ہونے کے ساتھ محفوظ کیا جاتا ہے، اس لیے تخلیق کا عمل منسوخ کرنے سے مکمل شدہ بیچ ضائع نہیں ہوتے۔

clean_dataset آپریشن خالی، نقل شدہ یا خراب ریکارڈز کو ہٹا کر بیک اپ بناتا ہے۔ پراسیس شدہ ریکارڈز کا بغور پیش منظر دیکھیں تاکہ تصدیق ہو سکے کہ وہ مطلوبہ رویہ سکھا رہے ہیں۔

5. ٹریننگ ریسیپی بنائیں

Homebrew کا propose_training_config آپریشن معاونت یافتہ ماڈل کی ہدایات سے ہائپرپیرامیٹرز منتخب کرتا ہے اور دستیاب GPU کے مطابق جاب کا حجم مقرر کرتا ہے۔ ٹریننگ شروع ہونے سے پہلے Homebrew میموری کے استعمال، دورانیے اور لاگت کا تخمینہ لگاتا ہے۔

6. ٹریننگ چلائیں اور نگرانی کریں

ٹریننگ GPU رکھنے والی مشین پر الگ کیے گئے پراسیس کے طور پر چلتی ہے۔ مقامی ٹرمینل بند کرنے سے جاب نہیں رکتی۔ پروجیکٹ فولڈر میں واپس جا کر گفتگو دوبارہ شروع کرنے کے لیے homebrew چلائیں۔

نگرانی کی مفید کمانڈز:

homebrew status
homebrew status JOB_ID

انٹرایکٹو سیشن کے اندر استعمال کریں:

/status
/jobs
/watch

Homebrew پیش رفت کی نگرانی کرتا ہے، لاس کَرو اور متوقع وقت بتاتا ہے، اور خرابی پیش آنے پر سادہ زبان میں وضاحت فراہم کرتا ہے۔

7. ماڈل کو آزما کر دیکھیں

ٹریننگ کے بعد فائن ٹیون کیے گئے ماڈل پر پرامپٹس آزمائیں اور اس کے جوابات کا بنیادی ماڈل کے جوابات سے موازنہ کریں۔ اس سے معلوم ہو سکتا ہے کہ نئے ماڈل نے مطلوبہ انداز یا رویہ سیکھا ہے یا نہیں، اور عمومی جوابات کے معیار کو نقصان تو نہیں پہنچا۔

8. برآمد اور اشتراک کریں

Homebrew نتیجے کو اڈاپٹر یا ضم شدہ ماڈل کے طور پر پیکیج کر سکتا ہے۔ یہ ایک ماڈل کارڈ بھی بناتا ہے جس میں ٹریننگ کا طریقہ، ڈیٹا، لائسنسز، کریڈٹس اور متعلقہ مثالیں شامل ہوتی ہیں۔ Hugging Face پر اپ لوڈز بطور ڈیفالٹ نجی ہوتے ہیں۔

لائسنسنگ کی جانچ میں Llama کے نام کے تقاضے، Gemma کی شرائط، اور غیر تجارتی ڈیٹاسیٹ یا ماڈل کے نوٹس جیسے امور شامل ہیں۔

اعلیٰ درجے کی ٹیکسٹ ٹریننگ: CPT، SFT اور DPO

CPT کے بعد SFT استعمال کریں

CPT اس وقت منتخب کریں جب ماڈل کو پہلے خام ڈومین یا زبان کے ڈیٹا سے روشناس کرانا ہو۔ اس کے بعد SFT کے ذریعے اسے گفتگویی رویہ سکھائیں۔ ہر بعد والی جاب پچھلے مرحلے کو init_from کے ذریعے حوالہ دیتی ہے۔

Base model -> CPT on raw text -> SFT on conversations

DPO کے ذریعے ترجیحات بہتر کریں

SFT کے بعد DPO لہجے، ساخت یا جواب کے انداز جیسی خصوصیات کے لیے ترجیحات کو مزید نکھار سکتا ہے۔ ترجیحی جوڑے Hugging Face، مصنوعی تخلیق یا خود نئے تربیت یافتہ ماڈل سے حاصل کیے جا سکتے ہیں۔

Homebrew generate_candidates کے ذریعے ہر پرامپٹ کے لیے دو ممکنہ جوابات بنا سکتا ہے۔ آپ ٹرمینل میں review_candidates کے ذریعے بہتر جواب منتخب کر سکتے ہیں، یا رہنما AI سے روبریک کے مطابق امیدواروں کا فیصلہ کروا کر اس کے فیصلوں کا نمونہ وار جائزہ لے سکتے ہیں۔

Base model -> SFT -> generate candidate pairs -> review preferences -> DPO

DPO کے حوالہ جاتی لاگ امکانات مرحلے کے ابتدائی ماڈل سے ایک بار شمار کیے جاتے ہیں، اس لیے دوسرے ماڈل کو GPU میموری میں برقرار رکھنے کی ضرورت نہیں ہوتی۔ یہ LoRA اور مکمل فائن ٹیوننگ دونوں پر لاگو ہوتا ہے۔

امیج LoRA کی بصری نگرانی کریں

Qwen-Image 2.1 LoRA جابز قدم صفر پر بنیادی ماڈل کا پیش منظر اور ہر ترتیب دیے گئے چیک پوائنٹ پر پیش منظروں کا نیا مجموعہ بنا سکتی ہیں۔ پرامپٹس اور بے ترتیب seeds مستقل رہتے ہیں، جس سے چیک پوائنٹس کا بامعنی موازنہ ممکن ہوتا ہے۔

ڈاؤن لوڈ کیے گئے پیش منظر یہاں محفوظ ہوتے ہیں:

runs/<job>/samples/step_NNNNNN/

پیش منظر کے پرامپٹس میں اڈاپٹر کا trigger word شامل کریں۔ اگر کوئی ابتدائی چیک پوائنٹ آخری چیک پوائنٹ سے بہتر نظر آئے تو brewmaster سے کہیں کہ وہ اسی چیک پوائنٹ کو پیکیج کرے۔

ساتھ ساتھ موازنہ کرنے والے براؤزر انٹرفیس کے لیے درج کریں:

/gallery

گैलری مقامی طور پر tokenized 127.0.0.1 پتے پر فراہم کی جاتی ہے اور کمپیوٹر سے باہر قابل رسائی نہیں ہوتی۔ قطاریں چیک پوائنٹس اور کالم پیش منظر کے پرامپٹس کی نمائندگی کرتے ہیں۔ ٹریننگ کے دوران گैलری تازہ ہوتی رہتی ہے، بڑی تصاویر دکھانے کی سہولت دیتی ہے، تیر والے بٹنوں سے چیک پوائنٹس کے درمیان منتقل ہونے دیتی ہے، اور نتیجے کا بنیادی ماڈل سے موازنہ کرنے کے لیے C استعمال کرتی ہے۔

ETF ڈیٹا سمجھیں

Homebrew یکساں JSON Lines فارمیٹ کے طور پر Empero Trace Format، یا ETF، استعمال کرتا ہے۔ ETF چیٹس، سسٹم پرامپٹس، ٹول اسکیما اور کالز، reasoning، retrieval دستاویزات، ترجیحی جوڑے، خام ٹیکسٹ، completions اور تصاویر کی نمائندگی کر سکتا ہے۔

فائلوں کا معائنہ اور انتظام کرنے کے لیے ETF کمانڈ گروپ استعمال کریں:

homebrew etf validate dataset.jsonl
homebrew etf stats dataset.jsonl
homebrew etf convert
homebrew etf schema

اس کی مکمل ساخت کے لیے پروجیکٹ کی ETF دستاویزات دیکھیں۔

مفید کمانڈز اور سیشن کنٹرولز

• homebrew: موجودہ پروجیکٹ شروع کریں یا دوبارہ جاری کریں۔
• homebrew new NAME: پروجیکٹ بنائیں۔
• homebrew setup: رہنمائی کرنے والی AI منتخب کریں یا تبدیل کریں۔
• homebrew doctor: انسٹالیشن، AI فراہم کنندہ، Hugging Face لاگ اِن اور ہارڈویئر کی جانچ کریں۔
• homebrew hardware: مقامی یا ریموٹ ہارڈویئر رپورٹ دکھائیں۔
• homebrew models: معاونت یافتہ بنیادی ماڈلز کی فہرست دکھائیں۔
• homebrew status JOB: تربیتی جابز کا معائنہ کریں۔

سیشن کے اندر، /level وضاحت کی سطح تبدیل کرتا ہے، /usage استعمال کی معلومات دکھاتا ہے، /thinking full بریوماسٹر کی دکھائی جانے والی reasoning کو وسیع کرتا ہے، /thinking off اسے چھپا دیتا ہے، اور /quit سیشن سے باہر نکلتا ہے۔

اعلیٰ درجے کی سیٹ اپ تجاویز

Homebrew کو محدود ٹرمینلز کے مطابق ڈھالیں

Homebrew سادہ ٹرمینل انٹرفیسز کے لیے ماحول کے متغیرات فراہم کرتا ہے:

HOMEBREW_AI_PLAIN_INPUT=1 homebrew
HOMEBREW_AI_SIMPLE_PROMPTS=1 homebrew
HOMEBREW_AI_THINKING=off homebrew

HOMEBREW_AI_PLAIN_INPUT فریم شدہ اِن پٹ بار کو سادہ پرامپٹ سے بدل دیتا ہے۔ HOMEBREW_AI_SIMPLE_PROMPTS تیر والے مینیو کے بجائے نمبروں والے انتخاب استعمال کرتا ہے۔ HOMEBREW_AI_THINKING on، full یا off قبول کرتا ہے۔

مصنوعی ڈیٹا کی بیک وقت تیاری کو کنٹرول کریں

مصنوعی ڈیٹا کی تیاری ایک سے سولہ متوازی ورکرز کو سپورٹ کرتی ہے۔ مثال کے طور پر:

HOMEBREW_AI_SYNTH_WORKERS=4 homebrew

ایسی قدر منتخب کریں جو آپ کے فراہم کنندہ کی شرح کی حدود اور اکاؤنٹ کی پابندیوں کے مطابق ہو۔

پروجیکٹ فائلوں کا معائنہ کریں

ایک عام پروجیکٹ میں شامل ہوتا ہے:

my-project/
  homebrew.yaml
  data/
  data/_sets/<name>/
  runs/<job_id>/
  .homebrew/

• homebrew.yaml فیصلے اور حالت محفوظ کرتا ہے، جن میں مقصد، ماڈل، کمپیوٹ، ڈیٹاسیٹس، جابز اور ایکسپورٹس شامل ہیں۔
• data/ میں ETF ڈیٹاسیٹس اور ایسے مینی فیسٹس شامل ہوتے ہیں جو ذرائع، لائسنسز اور میپنگز بیان کرتے ہیں۔
• data/_sets/<name>/ میں تیار کردہ تربیتی اور جائزہ سیٹس شامل ہوتے ہیں۔
• runs/<job_id>/ میں جاب کی ترتیب، نقل کیا گیا ڈیٹا، حالت، میٹرکس، لاگز اور حتمی آرٹی فیکٹس محفوظ ہوتے ہیں۔
• .homebrew/ میں سیشن دوبارہ جاری کرنے کے لیے استعمال ہونے والی گفتگو کی تاریخ شامل ہوتی ہے۔

صارف کی ترتیبات ~/.config/homebrew-ai/ کے تحت محفوظ ہوتی ہیں۔ اسناد credentials.yaml میں موڈ 600 کے ساتھ رکھی جاتی ہیں۔ اضافی ماڈل پروفائلز ~/.config/homebrew-ai/profiles/ میں شامل پروفائلز جیسا ہی اسکیما استعمال کرتے ہوئے رکھے جا سکتے ہیں۔

عملی سفارشات

1. محدود مقصد سے آغاز کریں۔ عام مقصد کے مقابلے میں کسی واضح رویے یا بصری تصور کا جائزہ لینا آسان ہوتا ہے۔
2. حتمی تربیتی ریکارڈز کا پیش منظر دیکھیں۔ صفائی اور اسلوبی ازسرِنو تحریر ماڈل کے دیکھے جانے والے مواد کو بدل سکتی ہے، اس لیے تربیت سے پہلے نمائندہ مثالوں کا معائنہ کریں۔
3. رویے میں تبدیلی کے لیے SFT سے آغاز کریں۔ زیادہ پیچیدہ سلسلے صرف اس وقت استعمال کریں جب پروجیکٹ کو واقعی ڈومین پری ٹریننگ یا ترجیحی آپٹیمائزیشن درکار ہو۔
4. بنیادی ماڈل سے موازنہ کریں۔ ساتھ ساتھ کیے گئے ٹیسٹ یہ طے کرنا آسان بناتے ہیں کہ آیا تربیت سے کوئی مفید بہتری پیدا ہوئی ہے۔
5. شائع کرنے سے پہلے لائسنسز کا جائزہ لیں۔ آپ کا آؤٹ پٹ آپ کی ملکیت ہے، تاہم استعمال کیے گئے بنیادی ماڈلز اور ڈیٹاسیٹس کے لائسنس لاگو ہوتے ہیں۔
6. مفید چیک پوائنٹس محفوظ رکھیں۔ خاص طور پر تصویری LoRA تربیت میں، بصری طور پر سب سے مضبوط چیک پوائنٹ حتمی چیک پوائنٹ نہ بھی ہو سکتا ہے۔
7. کرائے کے انفراسٹرکچر کو ختم کریں۔ نتائج ڈاؤن لوڈ اور تصدیق کرنے کے بعد کلاؤڈ وسائل روک دیں اور ختم کر دیں۔

نتیجہ

Homebrew ماڈل فائن ٹیوننگ کو ایک رہنمائی یافتہ، گفتگو پر مبنی ورک فلو میں بدل دیتا ہے، جبکہ ڈیٹا، اخراجات، انسٹالیشن اور اشاعت پر کنٹرول برقرار رکھتا ہے۔ یہ سادہ SFT پروجیکٹس کے ساتھ ساتھ CPT، SFT اور DPO کے مربوط سلسلوں، نیز چیک پوائنٹ پر مبنی Qwen-Image LoRA تربیت کو بھی سپورٹ کرتا ہے۔ کمانڈ لائن ٹول انسٹال کر کے آغاز کریں، ایک قابل رہنما منتخب کریں، مرکوز مقصد بیان کریں، اور بریوماسٹر کو ہر تصدیق شدہ مرحلے میں رہنمائی کرنے دیں۔

سورس کوڈ اور موجودہ دستاویزات کے لیے Homebrew GitHub ریپوزٹری ملاحظہ کریں۔ Homebrew اپنا لائسنس استعمال کرتا ہے: ریپوزٹری میں بیان کردہ آمدنی کی حد تک افراد اور تنظیموں پر MIT طرز کی شرائط لاگو ہوتی ہیں، جبکہ بڑی تنظیموں کے لیے تجارتی لائسنس درکار ہے۔