К содержимому
Языковые модели

ViExtract-EC 0.5B

точечная модель для извлечения данных в JSON

3 мин чтенияобновлено

ViExtract-EC 0.5B — специализированная языковая модель на базе Qwen/Qwen2.5-0.5B-Instruct, созданная для извлечения информации из диалогов на вьетнамском языке и заполнения заранее заданных JSON-фреймов (структур данных). Модель работает как связующее звено для крупных агентов: она не дает лишних объяснений или рассуждений, а возвращает строго один JSON-объект. Главная особенность модели заключается в том, что она ищет ключи независимо от их именования в схеме (schema-agnostic) и извлекает значения в виде точных подстрок из текста без нормализации. Инструмент ориентирован на разработчиков, создающих автоматизацию для чатов в сфере электронной коммерции, бьюти-услуг и доставки еды.

Ключевые особенности

  • Схема вне зависимости от ключей: модель одинаково хорошо находит информацию независимо от того, как названо поле в схеме (например, customer_name или ten_khach_hang).
  • Строгий контракт подстрок: все извлекаемые значения являются буквальными подстроками из чата без нормализации и изменения типов данных.
  • Высокая скорость работы: компактный размер (0.49 млрд параметров) обеспечивает быстрый инференс (около 2.5 секунд на выборку на GTX 1070).
  • Точность структуры: модель обучена на синтетических данных с применением конвейера шумов и демонстрирует 100% валидность генерируемого JSON.

Что можно сделать

  • Интеграция в интернет-магазины: автоматически заполнять заказы из чатов с клиентами (товар, размер, адрес доставки).
  • Обработка заявок в сфере услуг: извлекать контактные данные и детали бронирования из диалогов службы поддержки.
  • Создание агентов: использовать модель в качестве промежуточного фильтра для структурирования сырых текстовых логов в пайплайнах обработки заказов.

Пример

Пример инференса модели с использованием библиотеки transformers и точного шаблона инструкции:

import json, torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "cbc-528a/vietextract-0.5b"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id, torch_dtype=torch.float16, attn_implementation="sdpa", device_map={"": 0}
)
model.eval()

frame = {"ten_khach_hang": None, "so_dien_thoai": None, "dia_chi_giao": None}
chat = ("Khách: shop ơi còn áo sơ mi trắng size L k\n"
        "Shop: dạ còn 2 cái\n"
        "Khách: lấy 1 cái, giao về 22 Hai Bà Trưng, tên Trang, sđt 0987 654 321")

prompt = f"""### Instruction:
Bạn là một công cụ trích xuất thông tin. Dựa trên đoạn chat sau và khung JSON (schema) được cung cấp, hãy điền thông tin chính xác vào khung JSON. Nếu không tìm thấy thông tin, giữ nguyên null.

Khung JSON:
{json.dumps(frame, ensure_ascii=False, indent=2)}

Đoạn chat:
{chat}

### Response:
"""
inputs = tok(prompt, return_tensors="pt").to(model.device)
with torch.no_grad():
    out = model.generate(**inputs, max_new_tokens=320, do_sample=False,
                         pad_token_id=tok.pad_token_id or tok.eos_token_id)
print(json.loads(tok.decode(out[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True)))
ПодробнееМетрики (на отложенной выборке): Schema adherence — 100%, Field F1 (boundary-tolerant) — 0.933, Exact whole-object match — 34%.
Требования и ограничения: модель содержит 490 млн параметров, обучена на контексте до 1024 токенов, требует использования жадного декодирования (greedy decoding) без сэмплинга для предотвращения ухода модели за рамки схемы.
Обучение: 12 492 синтетических вьетнамских диалога в четырех доменах с конвейером искусственного зашумления текста. Базовая модель — Qwen/Qwen2.5-0.5B-Instruct, лицензия Apache-2.0.
Обсудить Telegram 0 4

Запустится ли?

Запустится в F16

Влезает без сжатия.

  • F16веса 0.9 GB · готовые файлы1.6 GB
  • FP8 / INT8рекомендуемвеса 0.5 GB1.2 GB
  • 4-bitвеса 0.3 GB1.0 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 · F16 — 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.

    # cbc-528a/vietextract-0.5b — 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 cbc-528a/vietextract-0.5b --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к vietextract-0.5b
  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/Qwen2.5-0.5B-Instruct
  1. Qwen2.5-0.5Bоснова семьи
  2. Qwen2.5-0.5B-Instruct
  3. vietextract-0.5b

Новые посты про версии Qwen2.5-0.5B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 5Все на Hugging Face
Слияния 2Все на Hugging Face

О модели

cbc-528a/vietextract-0.5b
Автор
cbc-528a
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

40

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

DEx-3B-GGUF

DEx-3B-GGUF
Языковые модели

Lumorux 1.0 GGUF

Lumorux 1.0 GGUF