Skip to content
Other

sense-xs

компактная ONNX-модель для принятия решений ИИ-агентами локально

2 min readupdated

Модель sense-xs от команды fab7hq предназначена для быстрой локальной классификации состояний и задач внутри инструмента управления агентами Weft без отправки данных в облако. В основе лежит замороженная база microsoft/deberta-v3-xsmall, квантованная в формат int8, поверх которой переключаются два компактных LoRA-адаптера (небольшие надстройки над базовой моделью). На вход подаются пары из текста и вопроса, а на выходе модель выдаёт один логит (разницу между «да» и «нет»). Разработка пригодится создателям локальных ИИ-агентов и обёрток для CLI-инструментов, которым нужна быстрая оценка состояния терминала и маршрутизация запросов на CPU.

Ключевые особенности

  • Два специализированных адаптера: state анализирует экран терминала, записи транскрипта и завершение реплики агента, а ask определяет тип задачи, эффекты (чтение, запись, выполнение), маршрут и подходящие правила.
  • Высокая скорость на CPU: на процессоре Apple Silicon чтение экрана (7 строк) занимает около 76 мс, оценка задачи и маршрута (17 строк) — около 195 мс, а проверка пакета из 20 правил — около 300 мс.
  • Компактный формат ONNX: квантованная база sense-xs.int8.onnx и адаптеры с рангом 16 (около 1,5 млн параметров каждый) работают в ONNX Runtime 1.20 и новее с длиной последовательности до 256 токенов.
  • Гибкая настройка через JSON: вопросы, калибровка вероятностей и правила нормализации текста вынесены в файл manifest.json, благодаря чему пользовательские правила обрабатываются так же, как встроенные.

Что можно сделать

  • Определять статус ИИ-агента в терминале: использовать адаптер state, чтобы по тексту экрана распознавать 7 состояний — от простоя и работы до ожидания разрешения, вопроса пользователю или ошибки.
  • Маршрутизировать входящие запросы: применять адаптер ask для оценки последствий команды (чтение, запись, запуск кода, выход за пределы машины) и выбора маршрута (прямое выполнение, план, цель или ревью).
  • Подбирать релевантные инструкции для агента: оценивать пользовательские правила из пакетов практик и учитывать историю их применения с помощью весов из manifest.json.

Пример

В репозитории прилагается файл golden_vectors.jsonl с нормализованными текстами, токенами, логитами и эталонными ответами для проверки корректности запуска в ONNX Runtime. При инициализации сессии необходимо загрузить адаптеры через LoraAdapter, указать активный адаптер через RunOptions.add_active_adapter и выставить параметр session.disable_quant_qdq = 1, чтобы каждая строка батча оценивалась независимо.

ПодробнееТочность адаптера state: 0.966 на определении состояния экрана (2 204 примера), 0.991 на типе записи транскрипта и 0.953 (average precision) на проверке вопроса в конце хода.
Качество адаптера ask: micro F1 0.896 на определении задачи и 0.984 на эффектах (1 000 запросов), точность маршрутизации — 0.961.
Обучение: база предварительно обучена на датасете MoritzLaurer/dataset_train_nli и заморожена, каждый LoRA-адаптер обучался 3 эпохи на одном GPU.
Discuss Telegram 1

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 0.3 GB · ready files0.9 GB
  • FP8 / INT8recommendedweights 0.2 GB0.7 GB
  • 4-bitweights 0.1 GB0.7 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · BF16 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

This is a LoRA: counted together with its base model deberta-v3-xsmall.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # fab7hq/sense-xs
    # ===== Tokens: paste yours between the quotes =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens, for gated models
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download microsoft/deberta-v3-xsmall --local-dir ~/models/deberta-v3-xsmall
    hf download fab7hq/sense-xs --local-dir ~/models/sense-xs
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to deberta-v3-xsmall
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

Requires the base model

microsoft/deberta-v3-xsmall

This model is a LoRA / adapter. Download the base model first, then load this one on top.

New posts about versions of deberta-v3-xsmall (quants, finetunes, LoRAs) will show up under the bell.

Quantised versions 12All on Hugging Face
Fine-tunes 12All on Hugging Face
LoRAs and adapters 12All on Hugging Face

About the model

fab7hq/sense-xs
Author
fab7hq
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

01

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments