К содержимому
Языковые модели

GLM-4-9B-Cooking-Assistant

кулинарный ассистент, который не выдумывает рецепты

3 мин чтенияобновлено

Эта языковая модель (LLM) на 9.4 млрд параметров создана для работы с кулинарными текстами: она читает переданный ей рецепт и отвечает строго по нему. Модель построена на базе GLM-4-9B-0414 от Zhipu AI командой Humanjava Enterprises с помощью двух этапов LoRA (небольших адаптеров для дообучения), которые затем влили в основные веса. В отличие от обычных LLM, которые склонны додумывать недостающие граммовки и шаги, этот файнтюн переспрашивает пользователя, если рецепт не был приложен. Подойдёт разработчикам кулинарных ботов и приложений, где модель работает в связке с базой рецептов (RAG).

Ключевые особенности

  • Минимум галлюцинаций без контекста: на вопросах без приложенного рецепта модель выдумывает детали только в 9.7% случаев против 40.1% у базовой GLM-4-9B-0414.
  • Точное чтение текста: когда рецепт передан в промпте, ассистент отвечает корректно в 96.2% случаев (у базовой модели — 83.1%).
  • Мультиязычность: модель обучена на текстах на 26 языках, включая русский, и протестирована на 21 языке.
  • Доступные требования: квантованная версия Q4_K_M целиком помещается в 8 ГБ видеопамяти (VRAM), а с частичной выгрузкой запускается и на 4 ГБ.

Что можно сделать

  • Встроить в кулинарное приложение или Telegram-бот в паре с поиском по базе рецептов (RAG), чтобы ассистент отвечал на вопросы пользователей по конкретному блюду.
  • Использовать как текстовый интерфейс поверх внешних калькуляторов для пересчёта пропорций и конвертации мер веса без риска, что нейросеть сама придумает исходные цифры.
  • Применять для разбора кулинарных техник, замены ингредиентов и поиска причин, почему блюдо не получилось (на общих вопросах модель отвечает на уровне базы).

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "HumanjavaEnterprises/GLM-4-9B-Cooking-Assistant"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, torch_dtype="auto", device_map="auto")
messages = [{"role": "system", "content": "You are a cooking assistant. You answer questions about dishes, ingredients, techniques and food safety. When you are not sure, you say so."},
            {"role": "user", "content": "If I double the recipe, how much pepper do I need?"}]
inputs = tok.apply_chat_template(messages, add_generation_prompt=True, return_dict=True, return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=400)
ПодробнееБенчмарки (682 вопроса, оценка тремя независимыми LLM-судьями): при наличии рецепта точность 96.2% (база — 83.1%); без рецепта выдумывает детали в 9.7% случаев (база — 40.1%); на общих кулинарных вопросах (82 шт.) bf16-версия набрала 46.3% против 56.1% у базы.
Обучение: два этапа LoRA (SFT + preference tuning) в LLaMA-Factory на открытых кулинарных книгах и рецептах (Wikibooks, Project Gutenberg, Internet Archive, NHLBI) на 26 языках; без использования закрытых API-моделей.
Железо и форматы: полные веса bf16 весят ~18.8 ГБ (Transformers, vLLM); в отдельном репозитории доступны GGUF-кванты (Q4_K_M работает на 8 ГБ VRAM).
Ограничения: модель не запоминает исторические рецепты наизусть, лучше всего работает на английском и испанском (6.9% и 3.8% выдумок против 12.6% на остальных языках) и не заменяет официальные справочники по пищевой безопасности. Лицензия MIT.
Обсудить Telegram 0 14

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 18 GB · готовые файлы18 GB
  • FP8 / INT8рекомендуемвеса 8.8 GB9.7 GB
  • 4-bitвеса 4.9 GB5.8 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 3080 · BF16 — от RTX 4090

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Для текстовых моделей — с контекстом 8192 токенов.

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 A30

    $0.26 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.

    # HumanjavaEnterprises/GLM-4-9B-Cooking-Assistant — A30, FP8 / INT8
    # 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 HumanjavaEnterprises/GLM-4-9B-Cooking-Assistant --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к GLM-4-9B-Cooking-Assistant
  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

Дообучение модели

zai-org/GLM-4-9B-0414

Новые посты про версии GLM-4-9B-0414 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 6Все на Hugging Face

О модели

HumanjavaEnterprises/GLM-4-9B-Cooking-Assistant
Автор
HumanjavaEnterprises
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

140

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии