К содержимому
Языковые модели

Efficient Healer

LoRA-адаптер для финансового агента на базе Tiny Aya

2 мин чтенияобновлено

Адаптер формата LoRA (небольшая надстройка над базовой моделью, ранг r=16) от автора Purusharth для модели CohereLabs/tiny-aya-global. Он превращает компактную языковую модель в агента, способного вызывать внешние инструменты (tool-calling) и отвечать на вопросы по финансовым таблицам компаний из бенчмарка FinQA. Обучение проходило в два раунда с циклом самоисправления на базе фреймворка AgentTune: модель училась на собственных самых коротких успешных траекториях и подсказках от модели-учителя (nvidia/Qwen3.6-35B-A3B-NVFP4). По сравнению с базовой Tiny Aya, которая решала лишь 0,5% тестовых прогонов, финальный адаптер справляется с 30,4% задач. Подойдёт разработчикам, исследующим обучение компактных агентов и дистилляцию навыков работы с табличными данными.

Ключевые особенности

  • Рост точности с 0,5% до 30,4%: на 400 отложенных задачах из 55 новых компаний доля решённых прогонов (в мягком режиме проверки) выросла на 29,9 процентных пункта, а в строгом — с 0,3% до 17,6%.
  • Меньше лишних действий и токенов: во втором раунде доля избыточных вызовов инструментов снизилась с 0,108 до 0,069 (по оценке AuditKIT), а средний размер ответа сократился до 215 токенов.
  • Обучение только на ходах агента: при расчёте функции потерь учитывались только реплики самого агента — попытка считать loss по всем токенам дала лишь 2% успеха и сохранена в репозитории как отрицательный пример.
  • Несколько версий в репозитории: в корне лежит финальный одобренный адаптер (round2/), а в подпапках доступны промежуточный round1/ и неудачный эксперимент negative_all_token_loss/.

Что можно сделать

  • Развернуть агентский пайплайн в связке с vLLM: смержить адаптер с базовой моделью CohereLabs/tiny-aya-global, поднять локальный сервер на vLLM и запускать запросы к таблицам через цикл AgentTune.
  • Использовать как эталон для обучения компактных агентов: изучить открытые траектории, разметку ошибок и логи оценки из связанного датасета Purusharth/efficient-healer-trajectories для собственных экспериментов с tool-calling.

Пример

hf download Purusharth/tiny-aya-efficient-healer-lora --local-dir adapter
python -m selfheal.merge --adapter adapter --out merged
vllm serve merged --served-model-name student --port 8000 --max-model-len 8192 --dtype bfloat16
python -m selfheal.rollout --tasks splits.json --split eval --k 3 --stop --model-path merged --served-model student --out eval.jsonl
ПодробнееМетрики (400 задач × 3 прогона): 365 из 1200 успешных прогонов (30,4%), 187 из 400 задач решены хотя бы в 1 прогоне, среднее время прогона — 5,5 сек.
Обучение: LoRA r=16, α=32, dropout 0.05 на слоях q_proj, k_proj, v_proj, o_proj; 3 эпохи, lr 2e-4 (cosine), batch 16, bf16, контекст до ~4300 токенов.
Ограничения: исследовательский артефакт (около 70% прогонов всё ещё завершаются ошибкой, не для реальных финрешений); протестирован только на английских вопросах формата FinQA.
Лицензия: CC-BY-NC-4.0 (только некоммерческое использование, наследуется от базовой модели).
Обсудить Telegram 0 27

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 6.3 GB · готовые файлы7.5 GB
  • FP8 / INT8рекомендуемвеса 3.1 GB4.1 GB
  • 4-bitвеса 1.8 GB2.6 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 5060 Ti 8GB

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Это LoRA: вместе с базовой моделью tiny-aya-global.

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.

    # Purusharth/tiny-aya-efficient-healer-lora — 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 CohereLabs/tiny-aya-global --max-model-len 8192 --quantization fp8 --enable-lora --max-lora-rank 64 --lora-modules tiny-aya-efficient-healer-lora=Purusharth/tiny-aya-efficient-healer-lora
    Добавить ещё LoRA к tiny-aya-global
  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

CohereLabs/tiny-aya-global

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

  1. tiny-aya-baseоснова семьи
  2. tiny-aya-global
  3. tiny-aya-efficient-healer-lora

Новые посты про версии tiny-aya-base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 3Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face

О модели

Purusharth/tiny-aya-efficient-healer-lora
Автор
Purusharth
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

270

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

Lythri-Wink-2B

Lythri-Wink-2B
Языковые модели

QJev-1.5B

QJev-1.5B