К содержимому
Другое

Yak Candidate Classifier

компактный классификатор текста по заданным меткам

2 мин чтенияобновлено

Модель решает задачу zero-shot классификации (определения категории текста без дообучения) и оценки логических связей между парами предложений. Вы передаёте ей короткий текст и свой список возможных вариантов ответа (кандидат-меток), а на выходе получаете эти метки, отсортированные по нормализованной оценке уверенности. Под капотом — лёгкая трансформер-архитектура из 4 энкодер-блоков с размером скрытого слоя 128, 4 головами внимания и собственным BPE-токенизатором (разбивает текст на подслова) на 30 005 токенов, разработанная автором gbalachandhiran. В отличие от тяжёлых языковых моделей, она работает очень быстро и в комплекте уже содержит готовый скрипт yak_inference.py для запуска. Подойдёт разработчикам для быстрой маршрутизации коротких запросов в ботах и сервисах.

Ключевые особенности

  • Компактная архитектура: 4 блока трансформера, hidden size 128 и 4 головы внимания.
  • Защита от смещения порядка: по умолчанию модель перемешивает список меток и усредняет результат за 4 прохода.
  • Поддержка двух режимов: классификация одиночного текста (до 96 токенов) и сравнение пары предложений premise + hypothesis (до 64 и 32 токенов).
  • Готовый к работе пакет: в репозитории уже лежат веса в safetensors, словарь BPE и обёртка YakClassifier.

Что можно сделать

  • Определять намерения пользователей в банковских и сервисных чат-ботах по сценариям уровня Banking77 и CLINC (перевод денег, проверка баланса, блокировка карты).
  • Проверять логическое следование, нейтральность или противоречие между двумя короткими фразами по схеме SNLI.
  • Встроить в лёгкий Python-микросервис для первичной сортировки коротких обращений без необходимости поднимать большие LLM.

Пример

from huggingface_hub import snapshot_download
import sys

model_dir = snapshot_download("gbalachandhiran/yak-candidate-classifier")
sys.path.insert(0, model_dir)
from yak_inference import YakClassifier

clf = YakClassifier.from_pretrained(model_dir)
print(clf.predict("I need to transfer money", candidate_labels=["transfer money", "check balance"]))
ПодробнееПоддерживаемые задачи по метаданным пакета: Banking77, CLINC и SNLI; конкретные цифры бенчмарков в карточке не приведены.
Ограничения длины: до 2 048 токенов суммарно, входной текст обрезается до 96 токенов, метки-кандидаты — до 12 токенов.
Оценки нормализуются только внутри переданного списка кандидатов и не являются откалиброванными вероятностями.
Лицензия в карточке не указана.
Обсудить Telegram 0 49

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.0 GB · готовые файлы0.5 GB
  • BF16веса 0.0 GB0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 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 · F32 — 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.

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

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

О модели

gbalachandhiran/yak-candidate-classifier
Автор
gbalachandhiran
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

490

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии