К содержимому
Языковые модели

banking77-qwen2.5-0.5b-lora

классификатор обращений в банк на базе 0.5B-модели

2 мин чтенияобновлено

Компактный LoRA-адаптер (небольшая надстройка над базовой моделью) от MuzammilAhmad превращает языковую модель Qwen2.5-0.5B-Instruct в классификатор клиентских сообщений из банковского датасета Banking77. На вход подаётся фраза клиента на английском языке, а на выходе модель возвращает JSON с одним из 77 интентов (намерений), например доставку карты или пополнение счёта. По сравнению с базовой моделью без дообучения точность выросла с 25.2% до 90.7%, а доля выдуманных меток упала с 25.2% до 0.2%. Решение пригодится разработчикам банковских чат-ботов и систем маршрутизации тикетов, которым нужна быстрая и лёгкая модель.

Ключевые особенности

  • Высокая точность на 0.5B параметрах: 90.7% на полном тестовом наборе Banking77 из 3,080 сообщений при задержке 0.143 секунды в квантовании Q4_K_M под Ollama.
  • Строгий формат ответа: модель выдаёт валидный JSON в 99.2% случаев, а список всех 77 меток передаётся в системном промпте из файла labels.json.
  • Эффективное дообучение: использован метод QLoRA (квантованное дообучение) через библиотеку Unsloth с 8.8 млн обучаемых параметров (1.75% от всей модели).
  • Открытая лицензия Apache 2.0 и готовый пайплайн для объединения весов и конвертации в формат GGUF для llama.cpp и Ollama.

Что можно сделать

  • Встроить в англоязычный банковский бот или службу поддержки для автоматической сортировки входящих обращений по 77 категориям.
  • Запускать локально или на недорогом сервере через Ollama после объединения адаптера с базовой моделью и квантования в Q4_K_M.
  • Использовать в связке с пороговой фильтрацией уверенности (guardrails из репозитория автора), чтобы отсеивать сообщения не по теме.

Пример

import json, torch
from huggingface_hub import hf_hub_download
from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer

REPO = "MuzammilAhmad/banking77-qwen2.5-0.5b-lora"
BASE = "Qwen/Qwen2.5-0.5B-Instruct"
tokenizer = AutoTokenizer.from_pretrained(BASE)
model = PeftModel.from_pretrained(AutoModelForCausalLM.from_pretrained(BASE), REPO).merge_and_unload().eval()
ПодробнееМетрики (Banking77, 3,080 примеров, Q4_K_M в Ollama): Accuracy — 90.7% (против 25.2% у базы), Valid JSON — 99.2%, выдуманные метки — 0.2%, задержка — 0.143 с.
Обучение: 2 эпохи на 8,997 примерах (валидация 1,002), LoRA r=16, alpha=32, lr 2e-4, 35 минут на одной GPU T4 в Colab.
Ограничения: только английский язык, обработка по одному сообщению без истории диалога; в ~1% ответов теряется закрывающая кавычка в JSON, а запросы не по теме всё равно получают одну из 77 меток без дополнительных guardrails.
Обсудить Telegram 0 18

Запустится ли?

Запустится в GGUF Q4_K_M

Влезает самая точная из готовых сжатых версий.

  • GGUF Q4_K_Mвеса 0.4 GB · готовые файлы1.0 GB

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: GGUF Q4_K_M — 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

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.

    # MuzammilAhmad/banking77-qwen2.5-0.5b-lora — A30, GGUF Q4_K_M
    # 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 -fsSL https://ollama.com/install.sh | sh
    ollama run hf.co/MuzammilAhmad/banking77-qwen2.5-0.5b-lora:Q4_K_M
    Добавить ещё LoRA к banking77-qwen2.5-0.5b-lora
  3. 3. Пользуйтесь

    Чат откроется прямо в терминале. Выйти — /bye, запустить снова — та же команда ollama run.

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/Qwen2.5-0.5B-Instruct
  1. Qwen2.5-0.5Bоснова семьи
  2. Qwen2.5-0.5B-Instruct
  3. banking77-qwen2.5-0.5b-lora

Новые посты про версии Qwen2.5-0.5B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 5Все на Hugging Face
Слияния 2Все на Hugging Face

О модели

MuzammilAhmad/banking77-qwen2.5-0.5b-lora
Автор
MuzammilAhmad
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

180

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии