К содержимому
Языковые модели

nari-decision-9b

быстрая модель принятия решений за один проход

3 мин чтенияобновлено

Модель от разработчика blackmallangcow на базе Qwen3.5-9B (7.95B параметров, только текстовая часть), созданная специально для классификации, маршрутизации запросов и проверок безопасности без генерации длинного текста. Вы передаёте ей контекст (состояние диалога, документ или вывод инструмента) и список вопросов трёх типов: «да/нет» (noul), выбор одного варианта (choice) или порядковая шкала (score). В отличие от обычных LLM, которые тратят время на посимвольную генерацию, модель за один forward pass (один прямой проход нейросети) выдаёт откалиброванные вероятности сразу по всем вопросам, усредняя ответы специальной головы принятия решений и самой базовой модели. Подойдёт инженерам и разработчикам ИИ-агентов для быстрой фильтрации и распределения задач.

Ключевые особенности

  • Мгновенный отклик: отвечает на несколько вопросов сразу за 42 мс на NVIDIA A100 80GB (с включённым enable_cuda_graphs()) или 62 мс без него — на 43% быстрее clef-flash (9B) и на 70% быстрее JEV-9B.
  • Длинный контекст: принимает до 16 384 токенов на вход (вопросы и варианты ответов при превышении лимита не обрезаются).
  • Калибровка вероятностей: для каждого типа вопросов подобрана температура на валидационной выборке (held-out ECE 0.016), что позволяет уверенно отсекать спорные случаи по порогу и передавать их человеку или более крупной LLM.
  • Устойчивость к формулировкам: на 1000 парных проверок с утверждением и отрицанием (KLUE-NLI) модель правильно отвечает на оба варианта в 99.1% случаев.

Что можно сделать

  • Настроить guardrails (защитные фильтры): проверять исходящие ответы бота на утечку персональных данных (PII), секретов и prompt injection перед отправкой пользователю.
  • Маршрутизировать обращения и агентов: определять нужный отдел поддержки, необходимость уточняющего вопроса пользователю, релевантность документов в RAG или следующий шаг в мультиагентной системе.
  • Размечать датасеты: массово прогонять записи через метод decide() (около 24 запросов в секунду на A100) с автоматической отправкой неоднозначных примеров на ручную проверку.

Пример

from transformers import AutoModel, AutoTokenizer

tok = AutoTokenizer.from_pretrained("blackmallangcow/nari-decision-9b", trust_remote_code=True)
model = AutoModel.from_pretrained("blackmallangcow/nari-decision-9b", trust_remote_code=True).eval()
out = model.decide(
    tok, state="고객: 지난주 주문이 두 번 결제됐어요. 한 건은 취소해 주세요.",
    questions={"refund": {"type": "noul", "instructions": "환불·취소 요청인가요?"}}
)
Подробнее Бенчмарки (точность после калибровки): held-out — 86.8% (ko) и 86.3% (en); System One eval set — 82.9% (ko) и 75.6% (en); MMMLU-ko (zero-shot) — 63.4%.
Железо: веса в формате bf16 занимают 15.92 ГБ, требуется GPU с запасом VRAM сверх этого объёма (квантованных версий нет, так как квантование сбивает калибровку температур).
Ограничения: поддерживает только корейский и английский языки; не предназначена для генерации текста, сложного логического рассуждения и автономных решений в медицине, праве, найме или кредитовании.
Обучение: 2 этапа (всего 29 214 шагов) на смеси из 368 269 основных и 99 152 синтетических программно-проверенных записей.
Обсудить Telegram 0 17

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 15 GB · готовые файлы17 GB
  • FP8 / INT8рекомендуемвеса 7.4 GB8.7 GB
  • 4-bitвеса 4.2 GB5.2 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 3080 · BF16 — от RTX 4090

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

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.

    # blackmallangcow/nari-decision-9b — 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 blackmallangcow/nari-decision-9b --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к nari-decision-9b
  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

Qwen/Qwen3.5-9B
  1. Qwen3.5-9B-Baseоснова семьи
  2. Qwen3.5-9B
  3. nari-decision-9b

Новые посты про версии Qwen3.5-9B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 6Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

blackmallangcow/nari-decision-9b
Автор
blackmallangcow
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

170

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии