К содержимому
Другое

DeepSeek-V4.1-Flash-1017-singprobe

встроенный стриминговый страж для языковой модели

2 мин чтенияобновлено

SingProbe — это intrinsic streaming guardrail (внутренний потоковый гардрейл или защитный модуль) для модели DeepSeek-V4.1-Flash-1017. Модуль считывает скрытые состояния базы на определенных слоях генерации и в реальном времени оценивает намерения пользователя, безопасность ответа и риск галлюцинаций для каждого токена. Веса обучены в формате bfloat16 и содержат 10.10M параметров. Релиз пригодится разработчикам, которым требуется надежная фильтрация опасного контента и детекция галлюцинаций на лету во время инференса.

Ключевые особенности

  • Чтение трех внутренних слоев базовой модели (12, 25, 39) прямо в процессе генерации токенов.
  • Оценка 8 различных вариантов интентов запроса, а также раздельные метрики для безопасности ответа и галлюцинаций.
  • Использование 8 голов внимания с размерностью 64 и окном в 2048 токенов.
  • Запуск через специальную ветку SGLang для эффективного параллельного инференса.

Что можно сделать

  • Развернуть защищенный сервер генерации на базе SGLang для фильтрации токсичного или опасного контента в реальном времени.
  • Отслеживать уровень риска галлюцинаций прямо в поле meta_info.token_probe_probs ответов API.
  • Проверять намерения входящих запросов пользователя по 8 категориям для гибкой маршрутизации диалога.

Пример

Запуск сервера с подключенным пробом через SGLang:

python3 -m sglang.launch_server \
  --model-path /home/admin/DeepSeek-V4.1-Flash-1017 \
  --probe-ckpt /yijian3/536716/SingGuardStream-Final/release/DeepSeek-V4.1-Flash-1017-singprobe \
  --trust-remote-code --tp 8 --ep-size 8 \
  --context-length 16384 --port 30000
Подробнее• Параметры проба: 10.10M, задействованы слои [12, 25, 39]
• Классификация интентов запросов (F1): 0.8756
• Безопасность ответов (F1): 0.8668
• Потоковая безопасность (Response AUC / token AUC): 0.9907 / 0.9522
• Детекция галлюцинаций (AUC): 0.7951
• Требования: 8 × H20 GPU, специальная ветка SGLang 261029
Обсудить Telegram 3 162

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 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 · 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.

    # inclusionAI/DeepSeek-V4.1-Flash-1017-singprobe
    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 inclusionAI/DeepSeek-V4.1-Flash-1017-singprobe --local-dir ~/models/DeepSeek-V4.1-Flash-1017-singprobe
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к DeepSeek-V4.1-Flash-1017-singprobe
  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 DeepSeek-V4.1-Flash-1017-singprobe — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

inclusionAI/DeepSeek-V4.1-Flash-1017-singprobe
Автор
inclusionAI
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

1623

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

TR-OCR-Markdown v0.4

TR-OCR-Markdown v0.4