Lory-27B

Lory-27B v1 от eltokh7 — decision-модель на 25,62 млрд параметров, fine-tune Kev-27B с бэкбоном Qwen3.8-27B. Она читает черты агента и вопрос и за один forward pass возвращает калиброванные вероятности для каждого варианта — распределение ответов для исследования без сэмплирования текста.

⚙ Ключевые особенности

• 🎯 Реагирует на экономические стимулы: цены, шансы, выплаты, задержки и суммы, а не только на заявленные черты персоны.
• ⚡ Один forward pass даёт вероятности по всем опциям — без генерации текста и сэмплирования.
• 📡 Совместима с serving-стеком Kev и API /v1/systemone; есть скрипт для EDSL-опросов.
• ⚙ Обучена на 27 тыс. синтетических записей по девяти семействам решений; LoRA r16, одна эпоха, веса merged.
• 🔍 На DLS v0.2 — 88, на blind test — 92, EDSL-General — 88 без регрессии.

💻 Пример

import requests
state = "Your traits: {'persona': '34, teacher in Ohio, $52,000.', 'money': 'You watch every dollar.'}"
r = requests.post('http://127.0.0.1:8850/v1/systemone', json={'state': state, 'questions': {'q': {
    'type': 'choice', 'instructions': 'Which phone plan?',
    'criteria': {'a': '$30/month, 5 GB', 'b': '$45/month, 20 GB'}}}})
print(r.json()['answers']['q']['probabilities'])

Подробнее

DLS v0.2 — 88, blind test — 92, EDSL-General — 88; bank-run payoff shift — 66 при теории 80, lottery slope — 0.77.
~55 ГБ в bf16, одна 80-ГБ GPU; на H100 минимум 33 запроса/с. Обучение: 27 тыс. записей, LoRA r16, 1 эпоха, 2,1 часа на H100.
Ограничения: не валидирована на людях, framing invariance 66/100, один training seed, английский язык и US-персоны.