К содержимому
Языковые модели

Qwen3.8-27B-Uncensored-LoRA

адаптер в 13 МБ для снятия отказов

2 мин чтенияобновлено

Команда PhalaCloud выпустила компактную PEFT LoRA (небольшую надстройку весов) объёмом всего 13 МБ для языковой модели Qwen3.8-27B. Адаптер убирает излишние отказы нейросети отвечать на запросы, но при этом не требует создания отдельной склеенной копии модели и сохраняет её исходные способности. Главная фишка — возможность обслуживать базовую и «расцензуренную» версии на одном сервере, выбирая нужный режим прямо в параметрах запроса.

Ключевые особенности

  • Компактный размер: адаптер имеет rank 3 и весит всего 13 МБ в формате BF16, затрагивая слои o_proj, out_proj и down_proj.
  • Работа без слияния весов: не нужно тратить дисковое пространство на второй чекпоинт — адаптер подключается поверх базовой Qwen3.8-27B-FP8 на этапе инференса в SGLang.
  • Сохранение интеллекта: в тесте GSM8K (математика) точность даже чуть выросла — 96,66% против 96,36% у оригинала, а все 44 проверочных шаблона возможностей проходят без регрессий.
  • Снижение отказов до нуля: на бенчмарке StrongREJECT доля отказов упала с 59–60/60 до 0/60 по оценке основного судьи (как с включённым режимом рассуждений, так и без него).

Что можно сделать

  • Гибкий API-сервер: поднять один инстанс Qwen3.8-27B в SGLang и динамически переключать поведение модели для разных задач или пользователей через имя модели в запросе.
  • Вызов инструментов без ложных срабатываний: использовать модель в задачах с tool calling и творческих сценариях (например, генерации вымышленных диалогов), где стандартная цензура часто блокирует безопасные запросы.

Пример

{
  "model": "qwen/qwen3.8-27b:unc-r3-1abf13b2",
  "messages": [{"role": "user", "content": "Write a short fictional dialogue."}],
  "max_tokens": 512,
  "chat_template_kwargs": {"enable_thinking": false}
}
ПодробнееБенчмарки (H200, SGLang, Qwen3.8-27B-FP8): StrongREJECT отказы — 0/60 (второй судья: 4/60 off, 1/60 on); XSTest ложные отказы на безопасных запросах — 0/49 (было 3/50 и 2/50); GSM8K — 96,66%; IFEval — 81,70% (-0,74 п.п.); ошибки tool calling — 1/300 против 6/300 у базы.
Обучение: метод ортогонализации направлений через Heretic v1.3.0 на датасетах harmless_alpaca и harmful_behaviors (победил trial 61 с KL 0.1080).
Ограничения: протестировано только в SGLang (vLLM не проверялся); для вызова адаптера нужно указывать полное имя qwen/qwen3.8-27b:unc-r3-1abf13b2.
Обсудить Telegram 1 38

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 52 GB · готовые файлы54 GB
  • FP8 / INT8рекомендуемвеса 26 GB28 GB
  • 4-bitвеса 15 GB17 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 Qwen3.8-27B.

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.

    # PhalaCloud/Qwen3.8-27B-Uncensored-LoRA — 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/Qwen3.8-27B --max-model-len 8192 --quantization fp8 --enable-lora --max-lora-rank 64 --lora-modules Qwen3.8-27B-Uncensored-LoRA=PhalaCloud/Qwen3.8-27B-Uncensored-LoRA
    Добавить ещё LoRA к Qwen3.8-27B
  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/Qwen3.8-27B

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

Новые посты про версии Qwen3.8-27B — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

PhalaCloud/Qwen3.8-27B-Uncensored-LoRA
Автор
PhalaCloud
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

381

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

nari-decision-9b

nari-decision-9b
Языковые модели

Adjudex 27B v5

Adjudex 27B v5