#lora

Fine-Tune an Open-Source LLM on Your Own Data

Fine-tune một mô hình LLM mã nguồn mở trên dữ liệu riêng cho phép chuyển đổi mô hình tổng qu thành công cụ chuyên biệt. Bài hướng dẫn chi tiết quy trình fine-tune với các công cụ như Hugging Face Transformers, QLoRA cho hiệu quả bộ nhớ, và dataset khoảng 10K samples. Quá trình này giúp đạt hiệu suất cao trên nhiệm vụ cụ thể mà không cần huấn luyện từ đầu. Các tác giả cũng trình bày kỹ thuật xử lý tokenization và template prompt để tối ưu kết quả fine-tuning. Đây là giải pháp hữu ích cho các lập trình viên muốn ứng dụng LLM trong lĩnh vực chuyên ngành với chi phí tính toán tối ưu.

Fine-tune một mô hình LLM nguồn mở trên dữ liệu riêng để biến mô hình tổng quát thành công cụ chuyên biệt cho nhiệm vụ cụ thể của bạn.

How Fyxer built an AI executive assistant people trust

Fyxer ứng dụng mô hình OpenAI kết hợp kỹ thuật fine-tuning để xử lý hộp thư và soạn thảo email theo giọng văn cá nhân của người dùng. Công ty tận dụng cơ chế memory để ghi nhớ và học hỏi từ tương tác của từng cá nhân, giúp cá nhân hóa trải nghiệm. Qua việc thu thập real user feedback liên tục, Fyxer cải tiến chất lượng phản hồi và xây dựng niềm tin với người dùng. Điều đáng học hỏi là cách họ kết hợp nhiều yếu tố (fine-tuning, memory, feedback) thay vì chỉ dựa vào raw model, tạo ra giải pháp AI thực sự hữu ích trong công việc hàng ngày.

Fyxer sử dụng các mô hình OpenAI, tinh chỉnh, bộ nhớ và phản hồi người dùng thực tế để xây trợ lý AI đáng tin cậy giúp quản lý hộp thư và soạn thảo email theo giọng nói riêng của mỗi người.

Why We Fine-Tuned SigLip (And Why That’s Not Always the Right Call)

Alma Media phát triển một bộ phân loại hình ảnh riêng cho ảnh đăng bán bất động sản với 23 lớp phòng và nội dung, đồng thời đưa ra một khung quyết định để chọn giữa gọi API VLM hay huấn luyện mô hình riêng, chọn mô hình nền tảng và quyết định fine‑tune hay freeze backbone. Họ thực nghiệm trên tập dữ liệu riêng 40.000 ảnh, so sánh SigLIP freeze, DINOv2 freeze và SigLIP fine‑tune bằng LoRA, kết quả cho thấy LoRA nâng micro F1 từ 78,4% lên 82,6% và giảm tỷ lệ ảnh chưa gắn nhãn từ 9,4% xuống 3,4%, gần với mức cơ bản tự nhiên 3,9%. Lớp GARDEN nhận được tăng recall 26 điểm, trong khi việc đơn giản chuyển sang DINOv2 đã hồi phục hơn một nửa của khoảng cách này mà không cần fine‑tune. So sánh chi phí cho thấy việc sử dụng API VLM như Gemini tốn khoảng 1.500 USD cho mỗi triệu ảnh, natomiast bộ phân loại chạy trên GPU riêng chỉ tốn khoảng 0,37 USD cho cùng lượng ảnh, và việc thực hiện toàn bộ quá trình quét siêu tham số LoRA chỉ tốn khoảng 30 USD. Bài học là mặc dù fine‑tune có thể cải thiện chỉ số, nhưng việc lựa chọn mô hình nền tảng phù hợp và cân nhắc chi phí thường làm cho việc freeze backbone hoặc chuyển mô hình trở thành lựa chọn hiệu quả hơn.

Prompt Caching vs. Fine-Tuning: A Cost and Latency Decision Framework

Prompt caching giảm chi phí API và độ trễ bằng cách lưu trạng thái KV hoặc đầu ra thô, tối ưu cho các yêu cầu lặp lại; fine-tuning (như LoRA) nhúng kiến thức miền vào trọng số mô hình, giảm kích thước ngữ cảnh. Nên dùng caching cho prompt hệ thống tĩnh, RAG, truy vấn lặp; fine-tuning cho định dạng đầu ra, cá nhân hóa persona. Kiến trúc lai (fine-tuning mô hình nhỏ + prompt caching) giúp tiết kiệm chi phí và tăng độ bền.

Lập trình viên nên đọc bài này để hiểu cách tối ưu hóa chi phí và tốc độ phản hồi trong hệ thống AI agent bằng cách lựa chọn giữa lưu trữ cache prompt (giảm tái tính toán) và điều chỉnh mô hình (cải thiện hiệu suất dài hạn) theo từng trường hợp cụ thể.

How to Customize a Model to Learn New Tricks

In this article, we are going to look at the various strategies to customize and fine-tune a model.

RAG vs. Fine-Tuning for Domain Adaptation: When to Use Which

A comparison of retrieval-augmented generation (RAG) and fine-tuning for adapting large language models to a domain, explaining that RAG changes what a model sees at inference time (good for large or frequently changing knowledge and auditability), while fine-tuning changes the model's weights (good for consistent tone, structure, or vocabulary but unreliable for injecting new facts). Two working code examples are given: a TF-IDF-based RAG pipeline over incident runbooks using the Anthropic API, and a LoRA fine-tuning setup for classifying customer complaints into a strict taxonomy. A six-point decision framework helps determine whether to use RAG, fine-tuning, or both, noting that roughly 60% of production LLM deployments reportedly combine both approaches.

Fine-Tuning Gemma 4 with QLoRA for Customer Support

Fine-tune Gemma 4 with QLoRA on the Bitext dataset to build a memory-efficient customer support model using LoRA adapters and TRL.

Review of Elecrow ThinkNode M9 QWERTY terminal with MeshCore firmware

Elecrow ThinkNode M9 là một terminal LoRa độc lập chạy MeshCore firmware, được giới thiệu vào tháng 8 năm ngoái. Thiết bị này kết hợp bàn phím QWERTY cho phép tương tác trực tiếp mà không cần kết nối đến máy tính, giúp đơn giản hóa quá trình triển khai network LoRa. Terminal này hỗ trợ nhiều giao thức như LoRaWAN, MQTT và HTTP, có thể hoạt động trong phạm vi lên đến 15km với antenne tích hợp. Việc tích hợp MeshCore firmware giúp thiết bị có khả năng self-healing và routing động trong mạng mesh, tăng đáng kể độ tin cậy và hiệu suất. Lập trình viên quan tâm đến IoT và mạng lưới phân tán sẽ tìm thấy đây là một giải pháp hoàn chỉnh cho các dự án cần độ bền cao và khả năng tự vận hành.

Bài viết này cung cấp đánh giá chi tiết về thiết bị ThinkNode M9 với firmware MeshCore, giúp bạn hiểu rõ ứng dụng thực tế của công nghệ LoRa trong các dự án IoT.

I trained my local LLM on its own failures, and now it learns from every mistake

It's not quite pretraining but it works

FCC ISM Rules May Shatter Lora Mesh Communities

Meshtastic and MeshCore, popular off-grid LoRa mesh networking projects, have discovered their default US radio configurations likely violate FCC regulation 15.247, which requires a minimum 500 kHz bandwidth on the 900 MHz ISM band for frequency-hopping/digitally-modulated devices. Meshtastic ships at 250 kHz and MeshCore at 62.5 kHz by default. Meshtastic's latest alpha release now configures new installs to comply, but this breaks compatibility with existing deployments. Philadelphia's large Philly Mesh network tested the compliant 500 kHz Long Turbo mode and found it performed poorly due to urban interference and hardware bugs, ultimately deciding to migrate to MeshCore instead, though 500 kHz still suffered interference there too. The result is a fractured community split across incompatible bandwidth configurations and protocols, with no official FCC statement yet on the matter.

M5Stack Module13.2 LoRa-1262 expansion board integrates 14x10 mm Stamp LoRa-1262 module

M5Stack vừa ra mắt hai module mở rộng LoRa SX1262 tần số 868-923 MHz, trong đó có Module13.2 LoRa-1262 tích hợp module Stamp LoRa-1262 kích thước 14x10mm. Nguyên nhân kỹ thuật là sau khi phát triển module M5Stamp C6LoRa dựa trên chip SX1262, công ty tiếp tục mở rộng danh sản phẩm. Hệ quả là người dùng có thêm lựa chọn module LoRa nhỏ gọn cho các dự án IoT. Điều đáng học là M5Stack đang tập trung phát triển các module nhỏ nhưng hiệu năng cao, phù hợp cho các ứng dụng cần tiết kiệm không gian.

M5Stack mới ra mắt board mở rộng LoRa-1262 tích hợp module Stamp LoRa-1262 kích thước nhỏ gọn 14x10 mm cho lập trình viên IoT.

The Architecture for Serving 100 Fine-Tuned Models on One GPU

...explained with code.

Together AI expands fine-tuning service with more models, live metrics, and finer controls

Together AI mở rộng dịch vụ fine-tuning với nhiều mô hình mới, theo dõi experiment thời gian thực và điều khiển chi tiết. Dịch vụ hiện hỗ trợ thêm các open-weight models mới như Code Llama 70B và Mistral 7B, cùng với tính năng Expert LoRA giúp tinh chỉnh layer một cách chọn lọc. Giá training cho một số mô hình đã giảm đáng kể, ví dụ từ $0.6/token xuống còn $0.3/token cho Llama 2 70B. Người dùng có thể theo dõi live metrics, dùng early stopping để tối ưu hóa, và kiểm tra tokenized dataset trước khi training. Điều đáng học là các công cụ này giúp giảm chi phí và tăng hiệu quả fine-tuning, đặc biệt hữu ích cho các ứng dụng AI cần tùy biến cao.

Together AI mở rộng dịch vụ fine-tuning với nhiều mô hình mới, chỉ số theo thời gian thực và kiểm soát chi tiết hơn giúp lập trình viên tối ưu hóa hiệu suất mô hình với chi phí thấp hơn.

From Wafer-Out to First Token: Codifying Supply Chain Expertise with Nemotron and Palantir Foundry

NVIDIA vận hành chuỗi cung ứng phức tạp lớn nhất thế giới với quy trình đo lường từ wafer-out đến first token. Thời gian xử lý khoảng hai tuần từ khi wafer rời nhà máy đến khi tạo ra token đầu tiên. Công ty sử dụng Nemotron và Palantir Foundry để mã hóa chuyên môn chuỗi cung ứng. Hệ quả cho phép tối ưu hóa quy trình sản xuất GPU với hiệu suất vượt trội. Lập trình viên có thể học hỏi cách áp dụng AI và blockchain vào quản lý chuỗi cung ứng phức tạp từ giải pháp của NVIDIA.

Bài viết giải thích cách NVIDIA xây dựng quy trình chuỗi cung ứng phức tạp từ wafer đến token đầu tiên.

Personalize your product's text-to-speech voice for any language: Fine-tuning with Kubeflow Trainer on Red Hat OpenShift AI

Bối cảnh là việc cải thiện trải nghiệm text-to-speech cho người dùng bằng cách cá nhân hóa giọng nói cho bất kỳ ngôn ngữ nào. Nguyên nhân kỹ thuật là fine-tuning mô hình text-to-speech cho tiếng Thổ Nhĩ Kỳ bằng Red Hat OpenShift AI và Kubeflow Trainer. Hệ quả là giảm hơn 90% lỗi phát âm so với mô hình gốc. Điều đáng học là cách áp dụng Kubeflow Trainer trên nền tảng OpenShift AI để tối ưu hóa TTS models cho các ngôn ngữ ít phổ biến.

Học cách tinh chỉnh mô hình chuyển văn bản thành giọng nói với Red Hat OpenShift AI để giảm hơn 90% lỗi phát âm.

5 decisions to make before fine-tuning your first model

Bối cảnh của bài viết là quá trình fine-tuning model AI - một chủ đề quan trọng với các lập trình viên. Nguyên nhân kỹ thuật được nêu ra là 5 quyết định cốt lõi cần được cân nhắc trước khi fine-tuning model lần đầu, bao gồm selection, preparation, optimization, evaluation và deployment. Hệ quả là việc hiểu rõ 5 quyết định này sẽ giúp tiết kiệm tài nguyên tính toán, giảm overfitting và cải thiện hiệu suất model thực tế. Điều đáng học là mỗi quyết định đều liên quan đến các khía cạnh quan trọng như selection metrics, hyperparameter tuning và validation strategy.

Bài viết giúp bạn tránh những sai lầm tốn kém khi fine-tune model lần đầu.

DIY ESP32-P4 weather station & air quality monitor connects to LoRa and ESP-NOW sensors, various weather APIs

Harald Kreuzer muốn tạo một trạm theo dõi thời tiết và chất lượng không khí tại nhà, sử dụng một board mạnh mẽ để xử lý nhiều cảm biến và hiển thị trực quan. Anh chọn ESP32-P4 làm bộ vi xử lý chính, kết nối với cảm biến SEN66 của Sensirion để đo nhiệt độ, độ ẩm, CO2, VOC và PM, đồng thời tích hợp module LoRa và ESP-NOW để trao đổi dữ liệu với các node cảm biến xa và lấy thông tin dự báo từ các API thời tiết công cộng. Hệ thống cung cấp một màn hình cảm ứng 10,1 inch hiển thị bảng điều khiển thời gian thực, lưu trữ dữ liệu địa phương và có thể gửi cảnh báo qua LoRa khi các chỉ số vượt ngưỡng đã đặt trước. Dự án cho thấy việc sử dụng ESP32-P4 có đủ tài nguyên để chạy đồng thời nhiều giao thức kết nối và xử lý API, giúp giảm phụ thuộc vào dịch vụ đám mây và tăng độ tin cậy của trạm khí tượng tự làm. Ngoài ra, việc sử dụng các thành phần giá thành thấp và mã nguồn mở khiến người khác có thể dễ dàng sao chép hoặc mở rộng chức năng như thêm cảm biến ánh sáng hoặc kết nối với trợ lý gia đình.

LoRA backdoor threat: How OpenShift AI mitigates the risk

Learn how the vLLM LoRA dynamic loading flaw enables data theft and how to enforce zero trust defenses using Red Hat OpenShift AI and cluster management.

Shrinking an AI coach onto a phone: a plain-English tour of LoRA fine-tuning

⚠️ Note: this post is AI-generated. The text below was written by Claude, and documents findings from a series of Claude Code sessions working on this project — the experiments, bugs and measurements described are ones that came out of those sessions. The engineering work is real and the numbers...

Fine-tuning Gemma 4 E4B with LoRA to bring FormAI's coaching on-device

⚠️ Note: this post is AI-generated. The text below was written by Claude, and documents findings from a series of Claude Code sessions working on this project — the experiments, bugs and measurements described are ones that came out of those sessions. The engineering work is real and the numbers...

Using LangSmith to Support Fine-tuning

Learn how to fine-tune and evaluate LLMs with LangSmith for dataset management. Complete guide covers LLaMA2 and GPT-3.5 fine-tuning with practical examples.

Run LoRA fine-tuning on Red Hat OpenShift AI with Ray

Bài viết mô tả việc sử dụng Red Hat OpenShift AI như nền tảng để triển khai việc fine-tune mô hình ngôn ngữ lớn nhằm tạo câu SQL tối ưu. Khi áp dụng thuật toán LoRA (Low‑Rank Adaptation) cùng với framework Ray để phân phối tác vụ huấn luyện qua các nút tính toán, OpenShift AI cung cấp môi trường Training Hub để quản lý tài nguyên và giám sát quá trình. Kết quả cho thấy thời gian hội tụ giảm đáng kể và chất lượng câu SQL được tạo ra cải thiện so với việc fine-tune toàn bộ mô hình, đồng thời tiêu thụ bộ nhớ GPU giảm xuống nhờ chỉ cập nhật ma trận thấp hạng. Điều này cho thấy việc kết hợp LoRA với Ray trên OpenShift AI không chỉ tối ưu hóa chi phí tính toán mà còn mở rộng khả năng huấn luyện mô hình lớn mà không cần thay đổi kiến trúc cơ sở. Bài học chính là đối với các đội phát triển AI muốn triển khai fine-tune hiệu quả trên Kubernetes, việc sử dụng LoRA như phương pháp cập nhật tham số nhẹ và Ray để orchestration là một giải pháp thực tế và có thể mở rộng.

Bài hướng dẫn này giúp bạn tối ưu hóa việc fine-tuning mô hình ngôn ngữ lớn bằng thuật toán LoRA trên Red Hat OpenShift AI với Ray.

Unsloth's new desktop app does the one thing LM Studio and Ollama never let me do

LM Studio và Ollama hiện chỉ cho phép chạy và tương tác với các mô hình LLM mà không hỗ trợ việc fine-tune trực tiếp trên máy local. Unsloth vừa ra mắt ứng dụng desktop mới nhằm điền vào khoảng trống này bằng cách tích hợp khả năng fine-tune mô hình qua các kỹ thuật tối ưu hóa bộ nhớ và gradient. Nhờ đó, người dùng có thể điều chỉnh trọng số của mô hình như Llama 2 hoặc Mistral bằng dữ liệu cá nhân mà không cần gửi dữ liệu lên đám mây. Kết quả là thời gian fine-tune được giảm đáng kể nhờ sử dụng các kernel tối ưu của Unsloth, đồng thời giảm tiêu thụ VRAM so với các phương pháp truyền thống. Điều này cho thấy khi chọn công cụ chạy LLM local, khả năng fine-tune tích hợp sẵn nên là yếu tố then chốt để tối ưu hoá hiệu suất và bảo mật dữ liệu.

Ứng dụng desktop mới của Unsloth mang đến khả năng tinh chỉnh mô hình mà LM Studio và Ollama không làm được, điều mà lập trình viên AI cần để tối ưu hóa hiệu suất.

Open-Source ExpressLRS Receiver Reaches For Range

Bài viết mô tả một dự án mã nguồn mở nơi một nhà thiết kế điện tử drone đã xây dựng bốn bộ thu ExpressLRS (ELRS) dựa trên ESP32 và chip radio SX1281. Nguyên nhân cho khoảng cách điều khiển dài nonostante công suất phát chỉ 1 W là việc sử dụng modulation Chirp Spread Spectrum (CSS), mang lại lợi ích tương đương khoảng 24 dB gain, cho phép giải mã tín hiệu ngay cả khi dưới mức noise floor của thu. Trong kiểm tra, cả bốn thiết kế duy trì kết nối vượt quá 5 km thậm chí khi atravess rừng, và một bản thiết kế cố ý vi phạm quy tắc layout RF bằng cách dẫn anten qua một via mà không thấy suy giảm hiệu năng đáng kể nhờ có các via mặt đất lân cận. Điều đáng học là việc áp dụng CSS có thể bù đắp cho công suất phát thấp và bố trí anten linh hoạt hơn khi có thiết kế ground‑plane thích hợp, mở rộng khả năng triển khai ELRS trong môi trường cản trở.

Bài viết này giải thích nguyên lý khoa học đằng sau phạm vi hoạt động ấn tượng của ExpressLRS, giúp lập trình viên hiểu được cơ chế làm việc của công nghệ truyền không dây hiện đại.

An ESP32-S3 e-paper development board with 3.97-inch touchscreen, LoRa, and NFC

M5Stack introduced the PaperColor ESP32-S3 devkit last May, but if you prefer faster refresh rates, the new Paper Mono should be a better option. The kit

Bài viết này cung cấp cái nhìn tổng quan về một bo phát triển ESP32-S3 với màn hình e-paper, LoRa và NFC, phù hợp cho các dự án IoT tiết kiệm năng lượng.

How to Fine-Tune an LLM: An End-to-End Guide

Hướng dẫn toàn diện về fine-tuning mô hình 7B Mistral với QLoRA cho nhiệm vụ cụ thể, cải thiện độ chính xác từ 35% lên 98% so với RAG/prompting và tiết kiệm 320,000 USD chi phí API.

Bài hướng dẫn này cung cấp phương pháp chi tiết để tinh chỉnh mô hình LLM hiệu quả, tiết kiệm chi phí và đạt độ chính xác cao cho tác vụ cụ thể.

Building Federated Multimodal AI Workflows with NVIDIA FLARE

Modern vision-language models (VLMs) can support tasks such as visual question answering, captioning, and image-text reasoning. In practice, however…

LILYGO T-Echo Lite Kit adds a keyboard shield to the nrRF52840-based ePaper LoRa and GPS development board

Bộ phát triển LILYGO T-Echo Lite Kit tích hợp sẵn bàn phím, dựa trên chip Nordic nRF52840, hỗ trợ LoRa, GPS và ePaper, cho phép giao tiếp ngoại tuyến trực tiếp.

Lập trình viên nên đọc bài này vì T-Echo Lite Kit là một công cụ phát triển đa năng kết hợp LoRa, GPS và bàn phím tích hợp, giúp họ phát triển các giải pháp IoT tự động hóa, giám sát không dây hiệu quả và dễ dàng hơn trong môi trường không có kết nối internet.

Store Tunes On Paper And Stream Them Over LoRA

Dự án Paper Tunes của một người chơi nghiệp dư sử dụng EnCodec của Meta để nén bài hát MP3 xuống còn 21,44 kB, đủ nhỏ để mã hóa trên tám mã QR in trên hai mặt tờ giấy hoặc truyền qua sóng vô tuyến LoRA, bất chấp băng thông thấp của LoRA vốn không phù hợp cho audio.

Lập trình viên nên đọc bài này để khám phá cách kết hợp công nghệ mã hóa âm thanh tiên tiến (EnCodec) với truyền dữ liệu thấp hiệu quả, giúp giải quyết thách thức về băng thông và lưu trữ cho các ứng dụng âm nhạc cá nhân hoặc thiết bị IoT có nguồn lực hạn chế.

Makerfabs Nomad Terminal features ESP32-S3 WiSoC, LR1121 LoRa transceiver, 3.5-inch touchscreen display

Makerfabs Nomad Terminal là nền tảng phát triển di động tích hợp chip ESP32-S3 và transceiver LoRa LR1121 của Semtech, hỗ trợ kết nối không dây tầm xa.

Nếu bạn đang phát triển ứng dụng IoT di động hoặc thiết bị truyền dữ liệu xa, Nomad Terminal sẽ là công cụ thiết yếu để tối ưu hóa kết nối LoRa với ESP32-S3, giúp bạn tiết kiệm chi phí và mở rộng khả năng mở rộng cho các dự án IoT di động hiệu quả.

A standalone ESP32-S3 MeshCore communication terminal with color LCD, QWERTY keyboard

Thiết bị Elecrow ThinkNode M9 là một thiết bị đầu cuối LoRa độc lập chạy firmware MeshCore, tích hợp bàn phím QWERTY, màn hình màu, GPS và kết nối LoRa.

Nếu bạn đang tìm kiếm một giải pháp kết nối IoT hiệu quả với giao diện người dùng thân thiện và khả năng mở rộng mesh tự động, ThinkNode M9 sẽ là lựa chọn tối ưu cho việc phát triển ứng dụng LoRa thông minh từ thiết bị đơn lẻ đến mạng lưới lớn.

A weatherproof, solar-powered, nRF52840-based LoRa + GPS development kit

Bộ kit phát triển LILYGO T-Echo Card mỏng nhẹ dựa trên vi điều khiển không dây nRF52840 của Nordic Semi và transceiver LoRa SX1262 của Semtech, tích hợp tấm pin năng lượng mặt trời.

Lập trình viên muốn phát triển hệ thống IoT nhạy cảm về thời tiết nên tìm hiểu về LILYGO T-Echo Card để tối ưu hóa thiết kế cho ứng dụng truyền dữ liệu xa, tiết kiệm năng lượng từ pin hoặc năng lượng mặt trời.

Fine-tune your models with Skills

Bài viết hướng dẫn cách tinh chỉnh mô hình bằng cách sử dụng các sự kiện kinh doanh trong KurrentDB thông qua HuggingFace Skills và KurrentDB Skills.

Là lập trình viên AI, bạn nên đọc bài này để tìm hiểu cách tối ưu hóa mô hình của mình bằng cách sử dụng dữ liệu thực tế từ các sự kiện doanh nghiệp trong KurrentDB, giúp cải thiện hiệu suất và phù hợp với yêu cầu cụ thể của ứng dụng của bạn.

LoRA: Fine-Tuning Billion-Parameter LLMs on a Single GPU

LoRA là phương pháp fine-tuning các mô hình ngôn ngữ lớn (LLM) với hàng tỷ tham số trên duy nhất một GPU, giúp tiết kiệm chi phí và tài nguyên so với fine-tuning toàn bộ mô hình.

Là người viết code cho AI lớn, bạn nên đọc bài để khám phá cách LoRA giúp tối ưu hóa việc fine-tuning mô hình với chi phí tài nguyên thấp hơn nhiều, cho phép bạn thực hiện dự án lớn hơn mà không cần một cluster máy chủ.