К содержимому
Языковые модели

Qwen3.8-27B-Chinese-Xuanhuan-Novel-Writer-DPO

LoRA для китайской веб-фантастики

2 мин чтения

Экспериментальный PEFT LoRA-адаптер от JiangLing-js на базе unsloth/Qwen3.8-27B. Он предназначен для генерации длинных китайских художественных сцен: из структурного outline, контекста и конфликта — в непрерывную прозу. Обучение шло в два этапа: SFT, затем DPO.

Ключевые особенности

  • Двухэтапное обучение: SFT на 2380 сценовых примерах, затем DPO на 607 парах, где человеческая проза предпочтительнее ответов модели или API.
  • LoRA rank 64, alpha 128, 353 370 112 обучаемых параметров, BF16; target modules включают q/k/v/o/gate/up/down/out_proj.
  • Thinking mode отключён при обучении; промпт ожидает сеттинг, состояния персонажей, пересказ, событийные биты, конфликт и конечное состояние.
  • Подходит для черновиков китайской веб-прозы, генерации сцен из outline, помощников для длинной прозы и research по preference optimization.
  • Ограничения: один домен китайского фэнтези, возможен overfit, маленький validation-набор и неполный аудит запоминания исходных текстов.

Пример

from unsloth import FastLanguageModel
model, processor = FastLanguageModel.from_pretrained('JiangLing-js/Qwen3.8-27B-Chinese-Xuanhuan-Novel-Writer-DPO', max_seq_length=4096)
FastLanguageModel.for_inference(model)
messages = [{'role': 'user', 'content': '【事件骨架】两人进入山谷;主角观察环境;导师说明训练要求。写成完整小说场景。'}]
prompt = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True, enable_thinking=False)
inputs = processor(prompt, return_tensors='pt').to('cuda')
out = model.generate(**inputs, max_new_tokens=1700, temperature=0.85, top_p=0.90)
print(processor.decode(out[0][inputs['input_ids'].shape[1]:], skip_special_tokens=True))
ПодробнееDPO eval loss 0.4545, preference accuracy 1.0 на 33 парах, reward margin +16.7967; это не означает 100% качества письма.
Пик памяти: SFT ~58,6 GB, DPO ~69,1 GB allocated на NVIDIA A100-SXM4-80GB.
Исходные тексты не распространяются из-за copyright; адаптер не даёт прав на произведения.
Обсудить Telegram 0 17

Запустится ли?

Запустится в 4-bit

Полная точность не влезет, но сжатая версия поместится — качество почти не страдает до 8 бит, заметнее на 4 битах.

  • BF16веса 52 GB · готовые файлы58 GB
  • FP8 / INT8рекомендуемвеса 27 GB30 GB
  • 4-bitвеса 15 GB17 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.

Это LoRA: вместе с базовой моделью Qwen3.8-27B.

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 RTX A6000

    $0.43 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.

    # djityree/Qwen3.8-27B-Chinese-Xuanhuan-Novel-Writer-DPO — RTX A6000, FP8 / INT8
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    # 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 unsloth/Qwen3.8-27B --max-model-len 8192 --quantization fp8 --enable-lora --max-lora-rank 64 --lora-modules Qwen3.8-27B-Chinese-Xuanhuan-Novel-Writer-DPO=djityree/Qwen3.8-27B-Chinese-Xuanhuan-Novel-Writer-DPO
    Добавить ещё LoRA к Qwen3.8-27B
  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

Нужна базовая модель

unsloth/Qwen3.8-27B

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

  1. Qwen3.8-27Bоснова семьи
  2. Qwen3.8-27B
  3. Qwen3.8-27B-Chinese-Xuanhuan-Novel-Writer-DPO

Новые посты про версии Qwen3.8-27B — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

djityree/Qwen3.8-27B-Chinese-Xuanhuan-Novel-Writer-DPO
Автор
djityree
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