К содержимому
Другое

SpanCall Lean v3

быстрый вызов инструментов без авторегрессии

2 мин чтенияобновлено

Модель SpanCall Lean v3 (архитектура spancall_lean_modernbert) от автора convoicon решает задачу распознавания и формирования вызовов внешних функций (tool calls). Вместо того чтобы долго генерировать JSON токен за токеном, как это делают обычные языковые модели, она извлекает нужную функцию и её аргументы за один прямой проход (forward pass). В основе лежит двунаправленный энкодер answerdotai/ModernBERT-large с двумя специализированными «головами» (H1 для выбора инструмента и H3 pointer head для выделения спанов параметров). Решение пригодится разработчикам ИИ-агентов и роутеров, которым важна низкая задержка при парсинге запросов пользователей.

Ключевые особенности

  • Один прямой проход: формирует готовый вызов функции без авторегрессионной генерации JSON.
  • База ModernBERT-large: использует двунаправленный энкодер с поддержкой контекста до 4096 токенов (max_seq_len).
  • Двухэтапное извлечение: работает в режиме two_step с помощью пары голов H1 tool head и H3 pointer head.
  • Фокус на одиночном вызове: настроена на извлечение одного tool call за раз (Single-call only: True) с порогом min_joint_margin: 0.02.

Что можно сделать

  • Ускорить голосовых и чат-ассистентов: заменить медленный этап генерации JSON при маршрутизации пользовательских команд к API.
  • Встроить в ИИ-агентов с длинным контекстом: обрабатывать диалоги и описания инструментов длиной до 4096 токенов за один проход.

Пример

from huggingface_hub import hf_hub_download
from transformers import AutoTokenizer

tok = AutoTokenizer.from_pretrained("convoicon/spancall-lean-v3")
cfg = json.load(open(hf_hub_download("convoicon/spancall-lean-v3", "resolve_config.json")))
weights = hf_hub_download('convoicon/spancall-lean-v3', 'model.pt')
# далее инициализируются SpanCallTransformerEncoder и LeanSpanCallModel
ПодробнееБенчмарк hermes_eval (limit=2000, n_F=1157): exact_F — 0.681, hit_F — 0.872, param_F1_F — 0.83, exact_all — 0.509.
Для сравнения, базовый regex-бейзлайн B1a на тех же данных показывает exact_F 0.022 и param_F1_F 0.03.
Ограничения: поддерживается только один вызов инструмента за запрос (Single-call only), для запуска требуется воспроизвести классы модели из ноутбука автора.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.5 GB · готовые файлы2.1 GB
  • FP8 / INT8рекомендуемвеса 0.7 GB1.3 GB
  • 4-bitвеса 0.4 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 · BF16 — от RTX 2060

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

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.

    # convoicon/spancall-lean-v3
    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 convoicon/spancall-lean-v3 --local-dir ~/models/spancall-lean-v3
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к spancall-lean-v3
  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

Новые посты про версии spancall-lean-v3 — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

convoicon/spancall-lean-v3
Автор
convoicon
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии