К содержимому
Языковые модели

Contextual-Sentence-Creator

генератор предложений с заданным термином

2 мин чтения

Это LoRA-файнтюн ibm-granite/granite-4.2-3b (3,66 млрд параметров), слитый в базовую модель. По термину, короткому контексту и числу n он возвращает JSON-массив ровно из n естественных английских предложений по 6–18 слов. Автор — danielrosehill; модель сделана для записи ASR-данных по специализированной лексике.

Ключевые особенности

  • На входе — JSON с term, context, n и необязательным kind.
  • Возвращает валидный JSON и ровно n предложений — по оценке автора, 100% на 309 отложенных вызовах.
  • Термин должен встречаться один раз и в заданном написании; предложения — 6–18 слов.
  • Есть GGUF-версия и датасет danielrosehill/term-context-sentences.
  • Подходит для генерации фраз под запись и проверку ASR, включая ивритскую лексику в романизации.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer
import json
repo = 'danielrosehill/Contextual-Sentence-Creator'
tok = AutoTokenizer.from_pretrained(repo); model = AutoModelForCausalLM.from_pretrained(repo, dtype='auto')
SYSTEM = 'Write exactly n different natural English sentences, 6 to 18 words each, that each use the term once, exactly as given, in the meaning the context describes. Reply with a JSON array of strings.'
user = json.dumps({'term':'gemach','context':'a free community lending fund','n':5})
ids = tok.apply_chat_template([{'role':'system','content':SYSTEM},{'role':'user','content':user}], add_generation_prompt=True, return_tensors='pt')
out = model.generate(ids, max_new_tokens=60*5+40, do_sample=True, temperature=0.8, top_p=0.95)
ПодробнееОценка: valid JSON — 100%, ровно n — 100%, прохождение gate — 95,7% (у Gemini 3.1 Flash-Lite — 99,7%); все n с первой попытки — 72,8% против 96,8%.
Обучение: LoRA r=32, alpha=32, dropout 0.05, все linear-слои, lr 2e-4 cosine, 2 эпохи, batch 16, 1676 шагов, bf16, одна L40S за 27 мин; 13 408 примеров по 8 342 терминам.
Ограничения: только английский; лексика сильно смещена к израильской; данные частично написаны LLM и не проверены на фактологию — модель пишет правдоподобные, а не истинные предложения. VRAM для инференса в карточке не указан.
Обсудить Telegram 0 337

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 6.8 GB · готовые файлы8.0 GB
  • FP8 / INT8рекомендуемвеса 3.4 GB4.6 GB
  • 4-bitвеса 1.9 GB3.1 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 3080

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.

    # danielrosehill/Contextual-Sentence-Creator — 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 danielrosehill/Contextual-Sentence-Creator --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к Contextual-Sentence-Creator
  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

ibm-granite/granite-4.2-3b
  1. granite-4.1-3b-baseоснова семьи
  2. granite-4.2-3b
  3. Contextual-Sentence-Creator

Новые посты про версии granite-4.1-3b-base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 3Все на Hugging Face
Дообучения 9Все на Hugging Face
LoRA и адаптеры 3Все на Hugging Face

О модели

danielrosehill/Contextual-Sentence-Creator
Автор
danielrosehill
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

3370

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии