К содержимому
Другое

OpenToolSearch Reranker

компактный реранкер для выбора инструментов ИИ-агентов

3 мин чтенияобновлено

Модель от AI3 Inc. помогает ИИ-агентам эффективно справляться с огромными библиотеками функций и инструментов (вроде деклараций функций или MCP-инструментов), не перегружая ими системный промпт. OpenToolSearch Reranker работает как второй этап поиска: кросс-энкодер (модификация казуальной LLM с выходом yes/no) размером 0.6B параметров читает запрос вместе с описанием инструмента и оценивает релевантность. Базой послужила модель Qwen/Qwen3-Reranker-0.6B, а в связке с эмбеддером первого этапа решение превосходит многие более тяжелые аналоги, экономя токены и время ответа.

Ключевые особенности

  • Точный подбор: 0.6B кросс-энкодер оценивает соответствие запроса и инструментов по бинарной шкале (yes/no).
  • Сбалансированная архитектура: Веса усреднены 50/50 с базовой моделью, а при обучении применялась аугментация шаблонов JSON и YAML.
  • Экономия ресурсов: Работает в связке с быстрым эмбеддером первого этапа (например, nvidia/Nemotron-3-Embed-1B-BF16), отсеивая лишнее до вызова основной LLM.
  • Англоязычная оптимизация: Обучена на очищенных датасетах ToolRet, Toucan-1.5M и Glaive function-calling v2.

Что можно сделать

  • Организовать tool search: Создать локальный индекс инструментов для ИИ-агента, чтобы передавать модели только нужные функции по ходу диалога.
  • Ускорить пайплайн агента: Использовать двухэтапный поиск — сначала выбрать топ-50 кандидатов через эмбеддер, а затем отранжировать их с помощью этой модели.
  • Интегрировать в кастомные фреймворки: Использовать модель с библиотекой transformers для построения собственных поисковиков по API.

Пример

Запуск и оценка релевантности инструмента с помощью библиотеки transformers:

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

name = "ai3inc/opentoolsearch-rerank-0.6b"
tok = AutoTokenizer.from_pretrained(name, padding_side="left")
model = AutoModelForCausalLM.from_pretrained(name, torch_dtype=torch.bfloat16).eval()
yes, no = tok.convert_tokens_to_ids("yes"), tok.convert_tokens_to_ids(
    "no"
)

PRE = (
    "<|im_start|>system\nJudge whether the Document meets the requirements"
    " based on the Query and the Instruct provided. Note that the answer can"
    ' only be "yes" or "no".<|im_end|>\n<|im_start|>user\n'
)
SUF = "<|im_end|>\n<|im_start|>assistant\n\n\n\n\n"
DEFAULT = "Given a user request, retrieve the tools that are needed to fulfil it"

def score(request, tool_json, instruction=None):
  text = f"{PRE}: {instruction or DEFAULT}\n: {request}\n: {tool_json}{SUF}"
  ids = tok(text, return_tensors="pt", add_special_tokens=False).to(
      model.device
  )
  with torch.no_grad():
    logits = model(**ids).logits[0, -1]
  return (logits[yes] - logits[no]).item()

tool = '{"name": "get_weather_forecast", "description": "Get the weather forecast for a city on a given date."}'
print(score("What's the weather in Seoul tomorrow?", tool))
ПодробнееБенчмарки: на бенчмарке ToolRet (ACL 2025) связка с Nemotron-3-Embed-1B набирает 58.37 nDCG@10 (топ-100 реранкинг), уступая более крупным аналогам лишь около 1.5 пунктов при значительно меньшем размере.
Железо и VRAM: 0.6B параметров в формате bfloat16 занимают около 1.2 GB VRAM.
Обучение: 300 шагов fine-tuning на одном GPU NVIDIA B300 (learning rate 6e-6), использовались hard negatives от эмбеддера первого этапа.
Ограничения: поддерживается только английский язык; требует выполнения 50–100 проходов вперед на каждый поисковый запрос (по числу кандидатов).
Обсудить Telegram 1 62

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.1 GB · готовые файлы1.7 GB
  • FP8 / INT8рекомендуемвеса 0.6 GB1.1 GB
  • 4-bitвеса 0.3 GB0.8 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # ai3inc/opentoolsearch-rerank-0.6b
    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 ai3inc/opentoolsearch-rerank-0.6b --local-dir ~/models/opentoolsearch-rerank-0.6b
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к opentoolsearch-rerank-0.6b
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

Qwen/Qwen3-Reranker-0.6B
  1. Qwen3-0.6B-Baseоснова семьи
  2. Qwen3-Reranker-0.6B
  3. opentoolsearch-rerank-0.6b

Новые посты про версии Qwen3-0.6B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 3Все на Hugging Face

О модели

ai3inc/opentoolsearch-rerank-0.6b
Автор
ai3inc
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

621

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

ClosureRAG

ClosureRAG