LFM3-1.7B-sheetft
точное редактирование таблиц без галлюцинаций
2 мин чтенияобновлено
Компактная языковая модель от автора EbukaGaus, построенная на базе LiquidAI/LFM3-1.7B (1.73B параметров) с помощью объединенного LoRA-адаптера (небольшой надстройки для дообучения). Она принимает содержимое таблицы в виде текстовых строк «ячейка: значение» и инструкцию на английском языке, а на выходе выдает строгий JSON-патч с изменениями. Главное отличие от базовой модели — умение вежливо отказать в правке, если в таблице не хватает данных, вместо того чтобы додумывать значения или портить соседние ячейки. Подойдет разработчикам ИИ-ассистентов для Excel и Google Sheets, которым нужен быстрый и предсказуемый парсер команд.
Ключевые особенности
- Точечные JSON-патчи: модель возвращает только те ячейки, которые нужно изменить (например,
{"B7": 43}), с нулевым уровнем случайных правок в других местах. - Честный отказ при нехватке данных: при пустых диапазонах или отсутствии нужных ключей модель возвращает статус
declinedс объяснением причины. - Работа с формулами и структурой: умеет восстанавливать канонические формулы вроде
=SUM(B2:B6), нормализовать даты и выполнять поиск по таблицам. - Готовность к продакшену: поддерживает constrained JSON decoding (генерацию строго по заданной JSON-схеме), что гарантирует 100% валидный синтаксис ответа.
Что можно сделать
- Встроить в плагин для таблиц: подключить как легкий локальный бэкенд, который переводит запросы пользователя в готовые патчи для программного применения к
.xlsxфайлам. - Автоматизировать очистку данных: использовать для массовой нормализации дат, поиска значений по ключу и исправления сломанных формул в одношаговых пайплайнах.
- Снизить риск порчи отчетов: применять в сценариях, где критично не задеть лишние столбцы и вовремя остановить выполнение при неполных исходных данных.
Пример
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
repo = "EbukaGaus/LFM3-1.7B-sheetft"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, dtype=torch.bfloat16, device_map="auto")
messages = [{"role": "user", "content": prompt}]
ids = tok.apply_chat_template(messages, tokenize=True, add_generation_prompt=True, enable_thinking=False, return_tensors="pt").to(model.device)Подробнее
Бенчмарки (greedy decoding): strict pass вырос с 30.9% до 75.9% на внутридоменных задачах (585 тестов) и с 14.6% до 51.3% на новых данных (815 тестов), collateral writes — 0.0%.Обучение: LoRA (r=32, α=64, bf16) на 6 536 задачах из синтетики, SpreadsheetBench, FinQA и TAT-QA плюс дополнительная эпоха калибровки отказов.
Ограничения: только английский язык, одношаговый режим (single-turn), модель не читает файлы .xlsx напрямую и ошибается в точных суммах длинных многозначных чисел (36.7% на агрегации).
Лицензия: LFM Open License v1.0.










Комментарии