К содержимому
Языковые модели

Ojas1004/smart-home-energy-slm

компактная модель для анализа расхода электричества в умном доме

2 мин чтения

Лёгкий LoRA-адаптер (небольшая надстройка над базовой моделью) на базе Qwen2.5-0.5B-Instruct для локальных хабов умного дома. Модель отвечает на вопросы о потреблении электроэнергии бытовыми приборами на коротких интервалах от 10 минут до 24 часов, опираясь строго на данные из промпта. В отличие от обычных LLM, она обучена не додумывать лишнего и честно отвечать «невозможно определить», если по показаниям счётчика нельзя узнать о присутствии людей, расходе отдельного прибора, тарифах или поломках. Подойдёт разработчикам систем домашней автоматизации и IoT-устройств с ограниченными ресурсами.

Ключевые особенности

  • Компактный размер на базе 0.5B-модели — подходит для запуска на локальных домашних серверах и хабах.
  • Строгая опора на факты: корректно отказывается отвечать на вопросы с ложными предпосылками или недостающими данными.
  • Обучена на 25 027 парах «вопрос-ответ» из датасета UCI Appliances Energy Prediction.
  • Высокая точность предсказания токенов на валидации — 98.5% при validation loss 0.040.

Что можно сделать

  • Встроить в домашний энергетический хаб (например, Home Assistant) для текстовой классификации всплесков нагрузки на английском языке.
  • Использовать как интерпретатор телеметрии: передавать модели предварительно посчитанные в коде суммы и даты для генерации понятных отчётов.
  • Взять за основу для дообучения под показания счётчиков собственного дома с локальными порогами пикового потребления.

Пример

from peft import AutoPeftModelForCausalLM
from transformers import AutoTokenizer
import torch

repo = "Ojas1004/smart-home-energy-slm"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoPeftModelForCausalLM.from_pretrained(repo, dtype=torch.bfloat16, device_map="auto")
q = "At 2016-05-26 17:10 the appliances used 620 Wh in 10 minutes. How would you classify this consumption level?"
Подробнее Метрики: validation loss 0.040 и token accuracy 98.5% на 4 342 примерах; 10 из 14 точных совпадений при выборочной проверке по задачам.
Обучение: LoRA (r=16, alpha=32, dropout 0.05) через TRL SFTTrainer, 2 эпохи на 1× RTX 5060 Laptop GPU (8 GB) за ~1.5 часа.
Ограничения: модель ошибается в арифметике и днях недели (расчёты лучше делать кодом), даёт приблизительные точечные прогнозы и обучена на данных одного энергоэффективного дома в Бельгии (январь–май 2016), поэтому пороги вроде «пикового» потребления привязаны к нему.
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.

    # Ojas1004/smart-home-energy-slm
    # ===== 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 Ojas1004/smart-home-energy-slm --local-dir ~/models/smart-home-energy-slm
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к smart-home-energy-slm
  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.

  • 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

Новые посты про версии smart-home-energy-slm — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Ojas1004/smart-home-energy-slm
Автор
Ojas1004
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии