К содержимому
Языковые модели

LFM3_3d_utility_exp3

точечная правка весов для JSON tool calls

2 мин чтенияобновлено

Модифицированная версия компактной языковой модели LiquidAI/LFM3-1.7B (1,99 млрд параметров с учётом развязанных весов) от автора AlekseyCalvin, адаптированная для локальных ИИ-агентов. Вместо привычного дообучения или LoRA автор вручную сдвинул конкретные строки матрицы выходного слоя lm_head (слоя, который превращает внутренние векторы модели в вероятности следующих токенов). В результате модель при запросе JSON-формата начинает выдавать валидные вызовы инструментов в виде {"name": ..., "arguments": ...} вместо стандартного для LFM3 формата XML и реже уходит в затянутые рассуждения перед вызовом функции. Пригодится разработчикам, которые запускают лёгких локальных агентов на устройствах с ограниченной памятью и используют стандартные JSON-парсеры для tool calling.

Ключевые особенности

  • Без обучения и квантования: все изменения внесены статическими математическими сдвигами весов в lm_head и двух строк эмбеддингов (точки и вопросительного знака), остальные тензоры остались побайтово идентичными оригиналу.
  • Перевод на JSON tool calls: доля чистых JSON-вызовов выросла с 42,0% до 88,0%, а XML-теги полностью исчезли из ответов (было 46,7%).
  • Меньше лишнего текста перед вызовом: частота затянутых рассуждений (ramble rate) снизилась с 82,7% до 64,0%, а медианная длина текста до вызова инструмента сократилась с 769,5 до 508 слов.
  • Широкая языковая база: унаследовала от LFM3-1.7B поддержку 16 языков, включая русский и английский, а также контекстное окно до 256K токенов и тройную гибридную архитектуру (свёртки + скользящее и глобальное внимание).

Что можно сделать

  • Встроить в локальные агентские обвязки (например, Hermes Agent, Pi или OpenClaw), которым нужен строгий JSON на выходе без переписывания парсера под XML.
  • Запускать на ноутбуках или слабых GPU для маршрутизации запросов, вызова API и заполнения структурированных форм на русском и английском языках.
  • Использовать опубликованный манифест с индексами строк и коэффициентами как референс для собственных экспериментов по редактированию весов без дообучения.

Пример

from transformers import pipeline

generator = pipeline(
    "text-generation",
    model="AlekseyCalvin/LFM3_3d_utility_exp3",
    trust_remote_code=True,
)
messages = [{"role": "user", "content": "Call weather tool in JSON for Paris"}]
out = generator(messages, do_sample=True, temperature=0.1, top_k=50, repetition_penalty=1.1)
print(out[0]["generated_text"][-1]["content"])
ПодробнееМетрики: чистый JSON — 88,0% против 42,0% у базы; парсируемые ответы — 88,0% против 68,7%; частота лишних рассуждений — 64,0% против 82,7%.
Вес файла: 3,98 ГБ в формате BF16 (tie_word_embeddings: false увеличило число параметров с 1,73B до 1,99B).
Рекомендуемые параметры сэмплирования для агентов: temperature=0.1, top_k=50, repetition_penalty=1.1.
Ограничения: как и базовая LFM3-1.7B, модель не предназначена для сложного многошагового рассуждения или агентского программирования.
Примеры
Обсудить Telegram 0 37

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 3.7 GB · готовые файлы4.7 GB
  • FP8 / INT8рекомендуемвеса 1.9 GB2.8 GB
  • 4-bitвеса 1.0 GB2.0 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.

Для текстовых моделей — с контекстом 8192 токенов.

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

Запуск на Massed Compute

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте A30

    $0.26 в час с купоном. При создании машины выберите образ Ubuntu.

    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.

    # AlekseyCalvin/LFM3_3d_utility_exp3 — 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 AlekseyCalvin/LFM3_3d_utility_exp3 --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к LFM3_3d_utility_exp3
  3. 3. Пользуйтесь

    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.

  • 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.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Дообучение модели

LiquidAI/LFM3-1.7B
  1. LFM3-1.7B-Baseоснова семьи
  2. LFM3-1.7B
  3. LFM3_3d_utility_exp3

Новые посты про версии LFM3-1.7B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 9Все на Hugging Face

О модели

AlekseyCalvin/LFM3_3d_utility_exp3
Автор
AlekseyCalvin
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

370

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

zhen-ctranslate2

zhen-ctranslate2
Языковые модели

Tally v7 LoRA

Tally v7 LoRA