К содержимому
Другое

Drag-and-Drop LLMs

генерация весов LoRA за секунды без обучения

2 мин чтенияобновлено

Drag-and-Drop LLMs (DnD) — метод от авторов статьи на NeurIPS 2025, который позволяет адаптировать большие языковые модели под новую задачу без классического градиентного обучения. Вместо запуска файнтюнинга модель принимает небольшую пачку неразмеченных промптов и напрямую превращает их в готовый набор матриц LoRA (небольших обучаемых надстроек над весами нейросети). Внутри лёгкий текстовый энкодер сжимает батч промптов в эмбеддинги условий, а каскадный гиперсвёрточный декодер синтезирует параметры адаптера для целевой LLM (большой языковой модели) или VLM (визуально-языковой модели). Инструмент пригодится разработчикам и исследователям, которым нужно быстро специализировать модели вроде Qwen2.5 под логику, математику, код или мультимодальные задачи.

Ключевые особенности

  • Адаптация без обучения: генерация рабочих весов LoRA под новую задачу занимает секунды вместо полноценного прогона оптимизации.
  • Снижение затрат до 12 000 раз: по данным авторов, вычислительные накладные расходы радикально ниже по сравнению с полным файнтюнингом.
  • Прирост качества до 30%: в среднем превосходит лучшие классически обученные LoRA на незнакомых бенчмарках по логике, математике, программированию и мультимодальности.
  • Кросс-доменное обобщение: после обучения на парах «промпты — чекпоинты» система создаёт адаптеры, не видя ни размеченных ответов, ни целевого датасета.

Что можно сделать

  • Быстро собрать LoRA под задачу: сгенерировать адаптер для Qwen2.5-0.5B/1.5B/7B-Instruct или Qwen2.5-VL-3B-Instruct на основе горстки примеров запросов.
  • Воспроизвести эксперименты на ARC-c: запустить готовый пайплайн для задач на рассуждение (common sense reasoning) на базе опубликованных авторами чекпоинтов.
  • Обучить свой генератор весов: собрать коллекцию собственных LoRA-чекпоинтов через LLaMA-Factory, рассчитать веса важности слоёв и натренировать DnD под свой домен.

Пример

git clone [https://github.com/jerryliang24/Drag-and-Drop-LLMs.git](https://github.com/jerryliang24/Drag-and-Drop-LLMs.git)
cd Drag-and-Drop-LLMs
bash install.sh
hf download Qwen/Qwen2.5-0.5B-Instruct --local-dir models/Qwen/Qwen2.5-0.5B-Instruct
bash scripts/common_sense_reasoning/ARC-c/training_and_generation.sh
ПодробнееСтатья принята на NeurIPS 2025 (arXiv: 2506.16406); опубликованные веса и логи доступны в датасете Jerrylz/DnD-checkpoints-and-logs.
Поддерживаемые базовые модели и энкодеры из инструкции: Qwen/Qwen2.5-0.5/1.5/7B-Instruct, Qwen/Qwen2.5-VL-3B-Instruct, sentence-transformers/all-MiniLM-L12-v2 и google-t5/t5-base.
Для обучения собственного генератора требуются подготовленные пары «датасет — набор чекпоинтов» и расчёт весов важности через weighted MSE (в конфиге примера указано до 8 GPU).
Видео-пример
Обсудить Telegram 0

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

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.

    # Nitin2004/drag-and-drop-llms-nitin-workspace
    # ===== 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 Nitin2004/drag-and-drop-llms-nitin-workspace --local-dir ~/models/drag-and-drop-llms-nitin-workspace
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к drag-and-drop-llms-nitin-workspace
  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

Новые посты про версии drag-and-drop-llms-nitin-workspace — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

Nitin2004/drag-and-drop-llms-nitin-workspace
Автор
Nitin2004
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

Другое

BioHCL-SSSM

BioHCL-SSSM
Робототехника

workspace_grasp

workspace_grasp