GLM-4-9B-Cooking-Assistant
кулинарный ассистент, который не выдумывает рецепты
3 min readupdated
Эта языковая модель (LLM) на 9.4 млрд параметров создана для работы с кулинарными текстами: она читает переданный ей рецепт и отвечает строго по нему. Модель построена на базе GLM-4-9B-0414 от Zhipu AI командой Humanjava Enterprises с помощью двух этапов LoRA (небольших адаптеров для дообучения), которые затем влили в основные веса. В отличие от обычных LLM, которые склонны додумывать недостающие граммовки и шаги, этот файнтюн переспрашивает пользователя, если рецепт не был приложен. Подойдёт разработчикам кулинарных ботов и приложений, где модель работает в связке с базой рецептов (RAG).
Ключевые особенности
- Минимум галлюцинаций без контекста: на вопросах без приложенного рецепта модель выдумывает детали только в 9.7% случаев против 40.1% у базовой
GLM-4-9B-0414. - Точное чтение текста: когда рецепт передан в промпте, ассистент отвечает корректно в 96.2% случаев (у базовой модели — 83.1%).
- Мультиязычность: модель обучена на текстах на 26 языках, включая русский, и протестирована на 21 языке.
- Доступные требования: квантованная версия
Q4_K_Mцеликом помещается в 8 ГБ видеопамяти (VRAM), а с частичной выгрузкой запускается и на 4 ГБ.
Что можно сделать
- Встроить в кулинарное приложение или Telegram-бот в паре с поиском по базе рецептов (RAG), чтобы ассистент отвечал на вопросы пользователей по конкретному блюду.
- Использовать как текстовый интерфейс поверх внешних калькуляторов для пересчёта пропорций и конвертации мер веса без риска, что нейросеть сама придумает исходные цифры.
- Применять для разбора кулинарных техник, замены ингредиентов и поиска причин, почему блюдо не получилось (на общих вопросах модель отвечает на уровне базы).
Пример
from transformers import AutoModelForCausalLM, AutoTokenizer
repo = "HumanjavaEnterprises/GLM-4-9B-Cooking-Assistant"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, torch_dtype="auto", device_map="auto")
messages = [{"role": "system", "content": "You are a cooking assistant. You answer questions about dishes, ingredients, techniques and food safety. When you are not sure, you say so."},
{"role": "user", "content": "If I double the recipe, how much pepper do I need?"}]
inputs = tok.apply_chat_template(messages, add_generation_prompt=True, return_dict=True, return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=400)
Подробнее
Бенчмарки (682 вопроса, оценка тремя независимыми LLM-судьями): при наличии рецепта точность 96.2% (база — 83.1%); без рецепта выдумывает детали в 9.7% случаев (база — 40.1%); на общих кулинарных вопросах (82 шт.) bf16-версия набрала 46.3% против 56.1% у базы.Обучение: два этапа LoRA (SFT + preference tuning) в LLaMA-Factory на открытых кулинарных книгах и рецептах (Wikibooks, Project Gutenberg, Internet Archive, NHLBI) на 26 языках; без использования закрытых API-моделей.
Железо и форматы: полные веса bf16 весят ~18.8 ГБ (Transformers, vLLM); в отдельном репозитории доступны GGUF-кванты (Q4_K_M работает на 8 ГБ VRAM).
Ограничения: модель не запоминает исторические рецепты наизусть, лучше всего работает на английском и испанском (6.9% и 3.8% выдумок против 12.6% на остальных языках) и не заменяет официальные справочники по пищевой безопасности. Лицензия MIT.










Comments