К содержимому
Другое

POSET length predictors

предикторы длины ответа для vLLM

2 мин чтенияобновлено

Набор обученных модулей для системы POSET (conformal poset scheduling — планировщик запросов с конформным предсказанием для движка инференса vLLM) и её базовых моделей сравнения. Предикторы оценивают, сколько токенов ещё осталось сгенерировать большой языковой модели (включая блок рассуждений до тега и сам финальный ответ) на каждом шаге генерации. В репозитории уже выложены веса для модели DeepSeek-R1-Distill-Qwen-14B, а позже автор планирует добавить варианты для Qwen3.5-27B и модели на 70B параметров. Инструмент пригодится инженерам MLOps и разработчикам систем высоконагруженного инференса LLM для более точного планирования памяти и батчей.

Ключевые особенности

  • Предсказание оставшейся длины генерации в реальном времени: двухслойный MLP (512 × 2) принимает активации с 28-го слоя модели и 5 позиционных признаков, выдавая корень из числа оставшихся токенов.
  • Конформная калибровка: в комплекте идут файлы .npz с радиусами q(p) для уровней alpha от 0.05 до 0.9, что позволяет строить доверительные интервалы длины ответа.
  • Разделение по типам трафика: отдельные головы обучены на диалоговых запросах (группа chat из WildChat и LMSYS-Chat) и на промптах из набора ForeLen (группа base).
  • Наличие бейзлайнов для сравнения: помимо основных голов POSET, в папке лежат дискретные декодерные головы и классификаторы на базе bert-base-uncased, обученные на тех же данных.

Что можно сделать

  • Встроить предиктор в пайплайн планировщика POSET внутри vLLM при развёртывании DeepSeek-R1-Distill-Qwen-14B, чтобы заранее оценивать длину длинных цепочек рассуждений.
  • Использовать готовые чекпоинты и файлы оценки eval_chat.json / eval_base.json как точку отсчёта при исследовании собственных алгоритмов предсказания длины генерации LLM.

Пример

from poset.predictor import load_head  # репозиторий POSET, ветка poset-unified

head = load_head("r1q14b/heads/chat_head.pt")
ПодробнееОценка для r1q14b (DeepSeek-R1-Distill-Qwen-14B, float16, max_tokens = 16,384) при alpha = 0.1:
• chat (все фазы): покрытие 0.889, ширина интервала 2 436, MAE 705 токенов, корреляция Спирмена 0.897.
• base (все фазы): покрытие 0.880, ширина интервала 6 451, MAE 1 843 токена, корреляция Спирмена 0.820.
Обучение проводилось на длинах жадной генерации (temperature 0) самой обслуживаемой модели. Чекпоинты сохранены как словари torch.save (загрузка с weights_only=False).
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.5 GB · готовые файлы1.1 GB
  • FP8 / INT8рекомендуемвеса 0.3 GB0.8 GB
  • 4-bitвеса 0.1 GB0.7 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.

    # dungnv/poset-heads
    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 dungnv/poset-heads --local-dir ~/models/poset-heads
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к poset-heads
  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 poset-heads — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

dungnv/poset-heads
Автор
dungnv
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