> ## Documentation Index
> Fetch the complete documentation index at: https://docs.monostate.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# Limites de Taxa

> Entendendo limites de taxa e cotas

# Limites de Taxa

Os limites de taxa do AITraining se aplicam ao usar recursos em nuvem.

## Treinamento Local

O treinamento local não tem limites de taxa - você está limitado apenas pelo seu hardware.

## Hugging Face Hub

Ao enviar para ou baixar do Hub:

| Operação              | Limite de Taxa |
| --------------------- | -------------- |
| Downloads de modelos  | Uso justo      |
| Downloads de datasets | Uso justo      |
| Uploads de modelos    | Uso justo      |

### Lidando com Limites de Taxa

Se você atingir limites de taxa:

```python theme={null}
import time
from huggingface_hub import HfApi

def download_with_retry(model_id, max_retries=3):
    api = HfApi()
    for attempt in range(max_retries):
        try:
            return api.model_info(model_id)
        except Exception as e:
            if "rate limit" in str(e).lower():
                wait = 60 * (attempt + 1)
                print(f"Rate limited, waiting {wait}s...")
                time.sleep(wait)
            else:
                raise
```

## Logging do W\&B

O Weights & Biases tem limites de logging baseados no seu plano:

| Plano      | Horas Registradas/Mês |
| ---------- | --------------------- |
| Grátis     | 200                   |
| Teams      | Ilimitado             |
| Enterprise | Ilimitado             |

### Reduzindo o Volume de Logs

```python theme={null}
params = LLMTrainingParams(
    model="google/gemma-3-270m",
    data_path="./data.jsonl",
    project_name="my-model",
    log="wandb",
    logging_steps=50,  # Log less frequently
)
```

## Serviços de GPU em Nuvem

Se usar GPUs em nuvem (não aplicável ao treinamento local):

### Hugging Face Spaces

* Limitado pela sua cota de Spaces
* Limites de armazenamento persistente se aplicam

### Outras Nuvens

Verifique as cotas do seu provedor de nuvem para:

* Horas de GPU
* Armazenamento
* Largura de banda de rede

## Melhores Práticas

1. **Faça cache de modelos localmente** - Não baixe novamente
2. **Registre com eficiência** - Não registre a cada passo
3. **Use checkpoints** - Retome em vez de reiniciar
4. **Operações em lote** - Reduza chamadas de API

## Próximos Passos

<CardGroup cols={2}>
  <Card title="Error Handling" href="/api/error-handling">
    Trate erros com elegância
  </Card>

  <Card title="Python SDK" href="/api/python-sdk">
    Referência completa da API
  </Card>
</CardGroup>