К содержимому
Языковые модели

xevyo-01

быстрый планировщик действий для ИИ-ассистентов

2 мин чтенияобновлено

Модель выступает в роли предварительного маршрутизатора (turn planner) в чат-ботах: она сама не пишет ответ пользователю, а анализирует его реплику и возвращает компактный JSON-план действий для основной модели. Разработана командой Xevyo на базе Qwen/Qwen3.5-9B методом LoRA SFT (обучение с учителем через адаптеры, позже влитые в веса). По сравнению с базовой моделью и даже более крупной учительской Qwen3.6-27B она гораздо стабильнее выдаёт валидный JSON и на порядок быстрее определяет нужные инструменты. Пригодится разработчикам агентов, которым нужна низкая задержка при выборе поиска, калькулятора, работы с памятью или генерации файлов.

Ключевые особенности

  • Комплексная маршрутизация: определяет уровень безопасности, необходимость веб-поиска с готовыми запросами, работу с изображениями, документами, памятью и вызов конкретных инструментов.
  • Высокая скорость: медианная задержка составляет 0.40 секунды на одну реплику при запуске через vLLM на GPU класса H100.
  • Точность планирования: на тестовом наборе из 1 610 диалогов выдаёт 100% валидных планов и достигает 89.0% по метрике F1 при выборе инструментов против 38.6% у исходной Qwen3.5-9B.
  • Мультиязычность: обучена на данных на английском, испанском, хинди и хинглише (смесь хинди и английского).
  • Открытая лицензия: распространяется под Apache 2.0, в репозитории также отдельно лежит исходный LoRA-адаптер.

Что можно сделать

  • Поставить перед основной LLM в чат-боте: пропускать каждое сообщение через xevyo-01 через vLLM, чтобы заранее выполнить поиск в сети, расчёты или подтянуть факты из памяти до генерации финального ответа.
  • Управлять мультимодальными и файловыми задачами: автоматически определять, когда пользователю нужно сгенерировать или отредактировать картинку, а когда собрать документ (PDF, DOCX, XLSX или PPTX).
  • Адаптировать под свой стек инструментов: передать свой список доступных функций в системный промпт или дообучить модель с приложенного LoRA-адаптера под специфическую бизнес-логику.

Пример

pip install "vllm>=0.17.0"
vllm serve meet4150/xevyo-01 \
  --served-model-name xevyo-01 --dtype bfloat16 \
  --max-model-len 8192 --language-model-only \
  --enable-prefix-caching --mamba-cache-mode align \
  --reasoning-parser qwen3 --generation-config vllm
Подробнее Бенчмарк (1 610 синтетических реплик): 62.8% точного совпадения всего плана (у Qwen3.5-9B — 14.9%, у Qwen3.6-27B — 26.8%), задержка p50 / p90 — 0.40 / 0.62 с.
Железо: достаточно одной видеокарты с 24 ГБ VRAM и более (в репозитории веса в bfloat16 занимают 19.3 ГБ, из 9.65B параметров в работе используются 9.04B, визуальная часть базы не задействована).
Обучение: 3 раунда на 66 666 синтетических примерах (сгенерированы Qwen3.6-27B), LoRA rank 32, alpha 64.
Ограничения: тестировалась на контексте до 8 последних сообщений (~2 600 токенов); не является самостоятельной системой безопасности и требует детерминированной фильтрации поверх своих оценок.
Обсудить Telegram 0 126

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 18 GB · готовые файлы20 GB
  • FP8 / INT8рекомендуемвеса 9.0 GB11 GB
  • 4-bitвеса 5.1 GB6.7 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 2080 Ti · 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.

    # meet4150/xevyo-01 — 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 meet4150/xevyo-01 --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к xevyo-01
  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

Qwen/Qwen3.5-9B
  1. Qwen3.5-9B-Baseоснова семьи
  2. Qwen3.5-9B
  3. xevyo-01

Новые посты про версии Qwen3.5-9B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 6Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

meet4150/xevyo-01
Автор
meet4150
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

1260

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

microduck-skill-agent

microduck-skill-agent
Компьютерное зрение

Qwen3.5-0.8B-v15

Qwen3.5-0.8B-v15