К содержимому
Другое

Llama-3-8B LoRA Collection

коллекция из 10 адаптеров под разные задачи

2 мин чтенияобновлено

Коллекция из 10 готовых LoRA-адаптеров (небольших настроек поверх базовой модели), обученных на базе meta-llama/Meta-Llama-3-8B на популярных открытых датасетах. Каждый адаптер решает свою задачу: от общих инструкций и мультидиалогов до математики, рассуждений и написания кода. Набор будет полезен исследователям и разработчикам, которым нужно быстро протестировать модель в конкретных сценариях без самостоятельного обучения.

Ключевые особенности

  • 10 адаптеров под разные домены: Alpaca, Dolly, OpenAssistant, UltraChat, WizardLM, OpenOrca, GSM8K, MetaMath, CodeAlpaca и Magicoder.
  • Проверенное обучение на популярных SFT-датасетах с фиксированным числом эпох и замером eval loss.
  • Широкий охват от общих чатов до специализированного программирования и школьной математики.
  • Единый формат промптов для всех адаптеров из-за отсутствия встроенного чат-шаблона у базовой модели.

Что можно сделать

  • Применить для кода: использовать адаптеры CodeAlpaca или Magicoder для генерации программ на разных языках программирования.
  • Решать математические задачи: подключить адаптеры GSM8K или MetaMath для точных пошаговых вычислений.
  • Настроить чат-бота: применить UltraChat или Guanaco для качественных многошаговых диалогов.
  • Тестировать мульти-LoRA: развернуть сразу несколько модулей в сервисах вроде vLLM.

Пример

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
from peft import PeftModel

repo = "Jianshu001/Llama-3-8B-LoRA-Collection"
tok = AutoTokenizer.from_pretrained("meta-llama/Meta-Llama-3-8B")
base = AutoModelForCausalLM.from_pretrained("meta-llama/Meta-Llama-3-8B", torch_dtype=torch.bfloat16, device_map="auto")
model = PeftModel.from_pretrained(base, repo, subfolder="llama3-8b-lora-gsm8k")

prompt = "<|begin_of_text|>### User:\nWhat is 15% of 240?\n\n### Assistant:\n"
ids = tok(prompt, return_tensors="pt", add_special_tokens=False).to(model.device)
out = model.generate(**ids, max_new_tokens=256, do_sample=False)
print(tok.decode(out[0][ids.input_ids.shape[1]:], skip_special_tokens=True))
Подробнее• Архитектура: LoRA (r=16, alpha=32, ~42M обучируемых параметров)
• Обучение: AdamW, lr 2e-4, bf16 на NVIDIA H200
• Метрики: улучшение eval loss на 8-72% в зависимости от датасета
• Лицензия: Meta Llama 3 Community License плюс лицензия исходного датасета
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 15 GB · готовые файлы17 GB
  • FP8 / INT8рекомендуемвеса 7.6 GB8.9 GB
  • 4-bitвеса 4.4 GB5.3 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.

Это LoRA: вместе с базовой моделью Meta-Llama-3-8B.

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.

    # Jianshu001/Llama-3-8B-LoRA-Collection
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 meta-llama/Meta-Llama-3-8B --local-dir ~/models/Meta-Llama-3-8B
    hf download Jianshu001/Llama-3-8B-LoRA-Collection --local-dir ~/models/Llama-3-8B-LoRA-Collection
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Meta-Llama-3-8B
  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

Нужна базовая модель

meta-llama/Meta-Llama-3-8B

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

Новые посты про версии Meta-Llama-3-8B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 7Все на Hugging Face
Слияния 3Все на Hugging Face

О модели

Jianshu001/Llama-3-8B-LoRA-Collection
Автор
Jianshu001
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии