Модель читает заголовок и текст новости или аннотацию научной статьи про искусственный интеллект и возвращает от нуля до трёх главных тем из 17 категорий (LLM, агенты, безопасность, робототехника, бизнес, регулирование и другие). В основе лежит компактная нейросеть на 252 194 параметра от независимой лаборатории aipoc-lab, работающая поверх эмбеддингов (векторных представлений текста) от embeddinggemma-2:270m. В отличие от крупных языковых моделей, сама классификация занимает несколько микросекунд на CPU и не требует тяжёлых зависимостей — достаточно Python и numpy. Пригодится для автоматической разметки новостных лент, дайджестов и баз публикаций с arXiv.
17 целевых категорий: система выделяет только основную тему публикации, игнорируя инструменты, упомянутые вскользь.
Полностью открытый пайплайн: веса под лицензией Apache 2.0 и открытый датасет из 9 968 текстов, размеченный двумя open-weight моделями-учителями (DeepSeek V4.1 Flash 1017 и NVIDIA Nemotron 3.5 Lightning).
Работа без Ollama: при наличии готовых 768-мерных векторов модель запускается напрямую через флаг --vectors.
Что можно сделать
Встроить в пайплайн сбора новостей или RSS-агрегатор для автоматической расстановки тегов по свежим публикациям об ИИ.
Размечать потоки препринтов с arXiv, чтобы быстро отбирать статьи по узким направлениям вроде RAG, RL или оценки моделей.
Переобучить классификатор под собственный набор рубрик, взяв за основу открытый скрипт train.py и датасет aipoc-lab/fiszka-dataset.
Пример
ollama pull embeddinggemma-2:270m
pip install numpy
python fiszka.py --title "ReAct agents for web browsing" --text "We present an agent that plans multi-step actions ..."
Подробнее
Метрики на ручной разметке (Set 2, 83 текста): Precision 0.538, Recall 0.571, F1 0.554 (на уровне согласованных меток моделей-учителей с F1 0.508).
На 2 522 статьях arXiv полнота (Recall) совпадения с авторскими категориями составила 0.803.
Ограничения: обучена только на английских текстах об ИИ длиннее 200 символов; требует строго эмбеддинги от embeddinggemma-2:270m в формате title: ... | text: ... и занижает частоту тега llm.
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.
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.
# aipoc-lab/fiszka — A30, FP8 / INT8
# Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
. /etc/os-release && \
curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
sudo apt-get update && \
sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
{ echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
exit 0
fi
curl -LsSf https://astral.sh/uv/install.sh | sh
source "$HOME/.local/bin/env"
uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
uv pip install vllm
vllm serve aipoc-lab/fiszka --max-model-len 8192 --quantization fp8
Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.
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.
Комментарии