К содержимому
Другое

lora-roberta-base-glue

адаптеры LoRA для RoBERTa-base на задачах GLUE

2 мин чтенияобновлено

Набор весов и код для воспроизведения обучения LoRA (небольшой надстройки над базовой моделью для эффективного дообучения) на пяти задачах бенчмарка GLUE (SST-2, MRPC, CoLA, RTE, STS-B). Модель создана на базе замороженной roberta-base (FacebookAI/roberta-base) с рангом r = 8 и alpha = 8. Адаптеры затрагивают проекции query и value во всех 12 слоях внимания, а также обученную классификационную голову. Репозиторий полезен исследователям и разработчикам, изучающим практическое применение LoRA на классических языковых моделях.

Ключевые особенности

  • Пять готовых наборов весов для задач SST-2, MRPC, CoLA, RTE и STS-B.
  • Реализация LoRA с нуля поверх замороженной модели roberta-base.
  • В каждый адаптер входит обученная классификационная голова.
  • Наличие подробных результатов по 5 сидам (seeds) для каждой задачи.

Что можно сделать

  • Запустить оценку качества готовых адаптеров на валидационных сплитах GLUE.
  • Использовать код репозитория для собственных экспериментов с LoRA-адаптациями.
  • Изучить влияние отсутствия предварительного этапа MNLI на качество адаптеров (например, на задаче RTE).

Пример

import json
import torch
from huggingface_hub import snapshot_download
from safetensors.torch import load_file
from transformers import AutoModelForSequenceClassification, AutoTokenizer

task = "rte"
root = snapshot_download("Bartu0nder/lora-roberta-base-glue")
cfg = json.load(open(f"{root}/{task}/config.json"))

tok = AutoTokenizer.from_pretrained(cfg["base_model"])
model = AutoModelForSequenceClassification.from_pretrained(
    cfg["base_model"], num_labels=cfg["num_labels"], attn_implementation="sdpa")

state = load_file(f"{root}/{task}/adapter.safetensors")
print(f"Loaded adapter for {task} successfully")
ПодробнееМетрики на валидации (медиана по 5 сидам): SST-2 (Accuracy) — 94.8, MRPC (Accuracy) — 89.2, CoLA (Matthews corr.) — 63.1, RTE (Accuracy) — 78.7, STS-B (Pearson corr.) — 91.0.
Параметры: 294,912 обучаемых параметров LoRA и 592,130 параметров классификационной головы.
Ограничения: адаптеры для MRPC, RTE и STS-B обучались напрямую из roberta-base без промежуточного шага MNLI, что объясняет отклонения на RTE.
Лицензия: MIT.
Обсудить Telegram 1

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.5 GB · готовые файлы1.0 GB
  • BF16веса 0.2 GB0.8 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 GB
  • 4-bitвеса 0.1 GB0.6 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 · F32 — от RTX 2060

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

Это LoRA: вместе с базовой моделью roberta-base.

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.

    # Bartu0nder/lora-roberta-base-glue
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 FacebookAI/roberta-base --local-dir ~/models/roberta-base
    hf download Bartu0nder/lora-roberta-base-glue --local-dir ~/models/lora-roberta-base-glue
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к roberta-base
  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

Нужна базовая модель

FacebookAI/roberta-base

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

Новые посты про версии roberta-base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 7Все на Hugging Face
Дообучения 12Все на Hugging Face

О модели

Bartu0nder/lora-roberta-base-glue
Автор
Bartu0nder
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии