К содержимому
Языковые модели

Keel-Pro

модель принятия решений и маршрутизации на базе Qwen3.5-27B

2 мин чтенияобновлено

Модель принимает на вход состояние (например, текст тикета или контекст) и набор типизированных вопросов (choice, score или noul для ответов да/нет), а на выходе возвращает выбранный вариант, уровень уверенности и распределение вероятностей. Это LoRA-адаптер (небольшая обучаемая надстройка над базовой моделью) для Qwen/Qwen3.5-27B от автора neerumsr с открытыми весами под лицензией Apache-2.0. В отличие от стандартных LLM, она решает задачи выбора за один прямой проход (forward pass) через softmax по логитам вариантов, а при нескольких вопросах к одному контексту переиспользует общий префикс токенов. Решение пригодится разработчикам агентов, систем маршрутизации обращений и бэкенд-сервисов, где нужна быстрая и предсказуемая логика ветвления.

Ключевые особенности

  • Высокая точность выбора: набирает 62.73 балла на полном публичном наборе Decision Index 0.3 (139 677 запросов), выступая на уровне оценки Microsoft-Decision-1 (≈62) и опережая Jev 1.14 (60.70).
  • Быстрый инференс: медианная задержка составляет 245 мс на запрос на RTX 5090 благодаря движку hybrid_engine.py с общим кэшем префикса (prefix_share=1).
  • Усреднение чекпоинтов (Model Soup): итоговый адаптер soup78 получен путём объединения двух прогонов обучения (it7 и it8) в единую LoRA ранга 64 (217.6M обучаемых параметров).
  • Гибкое развёртывание: работает через сервер на базе PEFT в 4-битном режиме либо через llama.cpp в форматах GGUF (Q4_K_M весит 16.8 ГБ и совпадает с оригиналом в 30 из 30 тестовых проверок).

Что можно сделать

  • Умная маршрутизация тикетов: автоматически распределять входящие запросы пользователей между отделами (биллинг, техподдержка, аккаунты) с оценкой уверенности.
  • Оркестрация ИИ-агентов: использовать как быстрый роутер для выбора нужного инструмента или ветки сценария по текущему состоянию диалога.
  • Скоринг и фильтрация данных: оценивать релевантность документов или проверять выполнение критериев в пайплайнах обработки текста.

Пример

python serve/keel_pro_server.py \
  --model-dir models/Qwen3.5-27B \
  --adapter models/keel-pro \
  --load-4bit --port 8090
ПодробнееБенчмарки (Decision Index 0.3): 62.73 на полном публичном сьюте (tools: 0.841, language: 0.642, retrieval: 0.639, arts: 0.565, knowledge: 0.476); на контрольной выборке report — 61.96 (95% ДИ: 58.98–64.42).
Железо и скорость: обучалась на одной RTX 5090 (32 ГБ) с QLoRA (4-bit NF4); медиана 245 мс, p80 — 438 мс, p95 — 1.27 с; на CPU в llama.cpp (12 потоков) — около 15.4 с на вопрос.
Ограничения: поддерживает только английский язык, слабее справляется со сложными задачами на рассуждение (GPQA, ChessBench, CRUXEval), вероятности не откалиброваны. Не предназначена для модерации безопасности без дополнительной проверки.
Обсудить Telegram 1 22

Запустится ли?

Запустится в 4-bit

Полная точность не влезет, но сжатая версия поместится — качество почти не страдает до 8 бит, заметнее на 4 битах.

  • BF16веса 53 GB · готовые файлы55 GB
  • FP8 / INT8рекомендуемвеса 27 GB29 GB
  • 4-bitвеса 15 GB18 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.

Это LoRA: вместе с базовой моделью Qwen3.5-27B.

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 RTX A6000

    $0.43 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.

    # neerumsr/keel-pro — RTX A6000, FP8 / INT8
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    # 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 Qwen/Qwen3.5-27B --max-model-len 8192 --quantization fp8 --enable-lora --max-lora-rank 64 --lora-modules keel-pro=neerumsr/keel-pro
    Добавить ещё LoRA к Qwen3.5-27B
  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

Нужна базовая модель

Qwen/Qwen3.5-27B

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

Новые посты про версии Qwen3.5-27B — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

neerumsr/keel-pro
Автор
neerumsr
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

221

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

Qwen3.8-27B-CTL

Qwen3.8-27B-CTL
Компьютерное зрение

Qwen3.5-4B-heretic

Qwen3.5-4B-heretic
Языковые модели

Lynx-0.8B

Lynx-0.8B
Языковые модели

SparkQwen

SparkQwen