Team 9 College Data SLM
мини-модель с нуля в стиле Qwen3 для ответов по данным колледжей
2 min readupdated
Team 9 College Data SLM — сверхкомпактная языковая модель (SLM) всего на 6,3 миллиона параметров, обученная полностью с нуля без предобученных весов на датасете из 999 записей об образовательных программах. Модель читает структурированную карточку программы (учебное заведение, специальность, стоимость обучения, медианный доход, долг выпускников, связанные профессии и AI-инструменты) и отвечает на вопросы по ней на английском языке. Если нужного значения нет в переданном контексте, модель честно отвечает Not reported in the dataset. вместо выдумывания или подстановки нуля. Архитектурно она повторяет Qwen3 (RoPE, Grouped Query Attention с QK-norm, SwiGLU, RMSNorm) и использует собственный BPE-токенизатор на 3036 токенов. Подойдёт разработчикам и студентам в качестве лёгкого узкоспециализированного экстрактора ответов из табличных записей или как референс обучения компактного трансформера с нуля.
Ключевые особенности
- Сверхмалый размер: всего 6,3M параметров (6 слоёв,
d_model=256, длина контекста до 192 токенов). - Архитектура Qwen3 с нуля: трансформер-декодер с RoPE, GQA с QK-norm, SwiGLU, RMSNorm и собственным byte-level BPE-токенизатором (3036 токенов).
- Устойчивость к пропускам: на примерах с отсутствующими данными модель распознаёт пропуск с точностью 0.967 (Exact match и Token F1).
- Разделение по вузам: валидация и тест проводились на учебных заведениях, которые модель не видела при обучении.
Что можно сделать
- Встроить в чат-бот или справочник абитуриента: автоматически отвечать на вопросы о стоимости обучения, медианном доходе и долговой нагрузке по переданной записи программы.
- Использовать как учебный шаблон: изучить код архитектуры
Qwen3SLMи пайплайн обучения крошечной языковой модели под узкую задачу Question Answering.
Пример
from huggingface_hub import hf_hub_download
from tokenizers import Tokenizer
import importlib.util, torch
repo = "sree02200/team9-college-data-slm"
spec = importlib.util.spec_from_file_location("college_slm_model", hf_hub_download(repo, "college_slm_model.py"))
mod = importlib.util.module_from_spec(spec); spec.loader.exec_module(mod)
model = mod.Qwen3SLM.from_pretrained(repo).eval()
tok = Tokenizer.from_file(hf_hub_download(repo, "tokenizer.json"))
Подробнее
Метрики на тестовой выборке (3539 примеров, новые вузы): общий Exact match — 0.538, Token F1 — 0.579 (для полных записей — 0.470 / 0.517, для пропусков — 0.967 / 0.967).Обучение: 3000 итераций, batch size 32, AdamW (lr 0.001 → 0.0001 с warm-up и cosine decay), loss считался только по токенам ответа (test loss: 1.8998).
Ограничения: студенческий прототип на английском языке; отвечает строго по переданной записи и не знает информации вне датасета (кампус, трудоустройство, индивидуальные прогнозы).










Comments