К содержимому
Языковые модели

Lumi-Simy

компактная агентская модель на 4B с вызовом инструментов

3 мин чтения

Lumi-Simy — это языковая модель на 3.97 млрд параметров от автора joaohsim, дообученная выбирать внешние функции (tool calling), вызывать несколько инструментов параллельно, выстраивать цепочки запросов с чтением ответов и отказываться от вызова, если ни один инструмент не подходит. В основе лежит рассуждающая модель Lumi-Think-4B, созданная на базе CEIA Lumi-4B и гибридной архитектуры NVIDIA Nemotron 3 Nano 4B (сочетание Mamba-2, MLP и механизмов внимания). Обучение проводилось через LoRA SFT (дообучение небольшого набора дополнительных весов с последующим слиянием в основную модель) с сохранением режима рассуждений (thinking) и общих навыков на английском и португальском языках. Модель задумана как исследовательский и учебный проект для экспериментов с агентским поведением на компактных гибридных архитектурах.

Ключевые особенности

  • Заметный рост в многошаговом tool calling: в тесте BFCL точность в сценариях multi_turn_base выросла с 25.0 до 43.0, а в live_parallel_multiple — с 41.7 до 70.8 по сравнению с базовой Lumi-Think-4B.
  • Параллельные вызовы и отказ от лишних функций: модель умеет запрашивать несколько API за один шаг и корректно отвечать без вызова инструментов, когда задача этого не требует.
  • Сохранение общих знаний: за счёт добавления данных самодистилляции (self-distilled replay) при обучении показатели на общих тестах EN/PT остались на уровне исходной Lumi-Think (средний балл 75.6 против 75.8).
  • Связка с роутером инструментов: при больших каталогах API автор рекомендует предварительно отбирать топ-32 функции через кросс-энкодер BAAI/bge-reranker-v2-m3 — это сокращает промпт с ~21k до ~5k токенов и повышает точность.

Что можно сделать

  • Собрать локального ИИ-агента для работы с базами данных и дашбордами: модель тестировалась на сценариях BI API и dashboard API (бенчмарк VAKRA) и умеет пошагово забирать данные из нескольких источников.
  • Подключить к сервисам через OpenAI-совместимый API: развернуть через vLLM с парсерами qwen3_coder и nano_v3 и использовать в чат-ботах, где нужно параллельно дёргать внешние функции (например, запрос погоды или данных сразу по нескольким объектам).
  • Изучить воспроизводимый пайплайн дообучения: использовать карточку и веса как референс для тренировки компактных Mamba-гибридов на одной видеокарте уровня RTX 4090 (24 ГБ).

Пример

hf download joaohsim/Lumi-Simy --local-dir lumi-simy
VLLM_USE_FLASHINFER_SAMPLER=0 vllm serve ./lumi-simy --trust-remote-code \
  --mamba-ssm-cache-dtype float32 --enable-auto-tool-choice \
  --tool-call-parser qwen3_coder \
  --reasoning-parser-plugin "$PWD/lumi-simy/nano_v3_reasoning_parser.py" \
  --reasoning-parser nano_v3 --default-chat-template-kwargs '{"enable_thinking": true}' \
  --max-model-len 32768 --max-num-seqs 16
ПодробнееVAKRA (5 новых доменов): 32.7% (Capability 1) и 51.7% (Capability 2; 60.3% с роутером bge-reranker-v2-m3 против 16.5% у Lumi-Think-4B).
BFCL v3: обходит Qwen3-4B во всех четырёх multi-turn категориях, но уступает в одиночных и параллельных вызовах.
Железо и обучение: дообучалась и тестировалась на одной NVIDIA RTX 4090 (24 ГБ), контекст при обучении — 20 480 токенов, 4 329 примеров.
Ограничения: учебный релиз для некоммерческого и академического использования (лицензия VAKRA CC BY-NC-SA 4.0); не проверялась на веб-браузинге и кодинг-агентах; рассуждения в задачах с инструментами ведутся преимущественно на английском языке.
Обсудить Telegram 0 28

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 7.4 GB · готовые файлы9.3 GB
  • FP8 / INT8рекомендуемвеса 3.7 GB5.6 GB
  • 4-bitвеса 2.1 GB4.0 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 3080

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.

    # joaohsim/Lumi-Simy — 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 joaohsim/Lumi-Simy --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к Lumi-Simy
  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

ceia-research/lumi-4b
  1. NVIDIA-Nemotron-Nano-12B-v2-Baseоснова семьи
  2. NVIDIA-Nemotron-Nano-9B-v2
  3. NVIDIA-Nemotron-3-Nano-4B-BF16
  4. lumi-4b
  5. Lumi-Simy

Новые посты про версии NVIDIA-Nemotron-Nano-12B-v2-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 3Все на Hugging Face
Дообучения 2Все на Hugging Face

О модели

joaohsim/Lumi-Simy
Автор
joaohsim
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

280

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

ullm-base

ullm-base