К содержимому
Языковые модели

MIST-QG-1.0

компактная модель на 324 языка для генерации вопросов к текстам

3 мин чтенияобновлено

MIST-QG-1.0 от команды Olaverse читает фрагмент текста и формулирует вопросы своими словами, ответы на которые содержатся в этом отрывке. Это полный файнтюн (дообучение всех весов) модели Qwen3.5-4B-Base размером 4.54B параметров, созданный для генерации обучающих пар «вопрос — текст» под эмбеддеры и реранкеры (модели поиска и переранжирования). Поддерживается 324 языка с акцентом на африканские языки, а вопросы можно генерировать как на языке оригинала, так и на английском или французском. Благодаря компактному размеру модель заменяет тяжелые LLM при массовой разметке датасетов и обходит Llama 3.3 70B в кросс-языковом режиме.

Ключевые особенности

  • Перефразирование вместо копирования: при обучении удалили примеры с прямым копированием предложений, поэтому модель копирует текст лишь в 7.5% случаев (на африканских языках — 9.1% против 12.5% у Llama 3.3 70B).
  • Сильный кросс-языковой режим: при генерации вопросов на английском по текстам на хауса, оромо или малагасийском в 99.7% случаев ответ возвращается на нужном языке, а доля пригодных вопросов достигает 76.8% против 67.6% у Llama 3.3 70B и 64.3% у Gemma 4 31B.
  • Работа на одной GPU: благодаря объёму в 4B параметров модель запускается через vLLM на одной видеокарте, что позволяет дешево обрабатывать миллионы фрагментов текста.

Что можно сделать

  • Собрать датасет для RAG и поиска: прогнать базу документов на разных языках и получить пары «запрос — документ» для обучения собственных моделей поиска (embedders) и реранкеров.
  • Настроить кросс-языковой поиск: сгенерировать англоязычные или франкоязычные вопросы к текстам на редких языках для обучения мультиязычных поисковых систем.
  • Автоматизировать создание FAQ: извлекать естественные вопросы из статей и справочников без привязки к дословным формулировкам исходника.

Пример

from vllm import LLM, SamplingParams

PROMPT = ("Passage ({lang}):\n{passage}\n\n"
          "Questions in {qlang} that this passage answers, in your own words:\n")

llm = LLM(model="olaverse/MIST-QG-1.0", max_model_len=4096)
params = SamplingParams(max_tokens=256, temperature=0.3, top_p=0.9, stop=["\n\n"])

passage = "Ọjà Ọ̀jọ̀ jẹ́ ọjà ìbílẹ̀ tó gbajúmọ̀ ní ìlú Ìbàdàn..."
prompts = [PROMPT.format(lang="Yoruba", qlang="Yoruba", passage=passage),
           PROMPT.format(lang="Yoruba", qlang="English", passage=passage)]

for out in llm.generate(prompts, params):
    questions = [l[2:].strip() for l in out.outputs[0].text.split("\n") if l.startswith("- ")]
    print(questions)
ПодробнееМетрики пригодности вопросов (Usable share): 0.768 в кросс-языковом тесте (против 0.676 у Llama 3.3 70B и 0.643 у Gemma 4 31B), 0.445 по всем языкам, 0.363 на африканских.
Обучение: 2 этапа на одной A100 80 GB в bf16 (991 тыс. текстов на 324 языках + 36.5 тыс. кросс-языковых пар), длина контекста при обучении до 1024 токенов.
Ограничения: генерирует только вопросы (без ответов); в кросс-языковом режиме выдает 1 вопрос за проход (нужно семплировать несколько раз) и обучена только в направлении «редкий/африканский язык → английский или французский».
Важно: хотя база Qwen3.5 является VLM, эта модель использует только текстовую часть (в transformers загружается через AutoModelForImageTextToText). Лицензия: Apache-2.0.
Примеры
Обсудить Telegram 0 35

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 8.5 GB · готовые файлы10 GB
  • FP8 / INT8рекомендуемвеса 4.2 GB5.8 GB
  • 4-bitвеса 2.4 GB4.0 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 2060 · BF16 — от RTX 2080 Ti

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.

    # olaverse/MIST-QG-1.0 — A30, 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 olaverse/MIST-QG-1.0 --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к MIST-QG-1.0
  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/Qwen3.5-4B-Base

Новые посты про версии Qwen3.5-4B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

olaverse/MIST-QG-1.0
Автор
olaverse
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

350

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

ScarletKc-2.0

ScarletKc-2.0
Языковые модели

Totem 4B

Totem 4B