К содержимому
Языковые модели

basal-omni-2.0-mini (preview)

решения с откалиброванной уверенностью без генерации текста

2 мин чтенияобновлено

Модель от автора Remek создана для автоматизации принятия решений по тексту: она читает документ, сообщение или JSON-страницу и за один прямой проход (без долгой генерации текста) выдаёт точные вероятности для заданных вариантов ответа. В основе лежит архитектура google/gemma-4-E4B-it (7.94B параметров), дообученная под английский и польский языки. В отличие от обычных LLM (больших языковых моделей), она никогда не выдумывает ответы вне списка и возвращает отметки уверенности, по которым можно отсеивать спорные случаи для проверки человеком. Инструмент пригодится разработчикам ботов, систем маршрутизации тикетов и пайплайнов оценки данных.

Ключевые особенности

  • Двунаправленное чтение: анализирует входной контекст в обоих направлениях (для промптов до 4096 токенов), что повышает точность по сравнению с версией 1.0.
  • Калибровка порога ошибок: в комплекте идёт файл CALIBRATION.json с порогами уверенности — при целевом уровне ошибок 1% модель автоматически закрывает 58.3% задач (фактическая ошибка 0.58%).
  • Высокая скорость: на одной NVIDIA H100 в режиме --mode fast задержка составляет 11 мс (p50) на один вопрос, а пропускная способность достигает 200 решений в секунду при пакетных запросах.
  • Строгие форматы: поддерживает вопросы с выбором варианта (choice), да/нет (noul), оценку (score), а также выбор инструментов и действий в движке basal.

Что можно сделать

  • Маршрутизация обращений в поддержку: автоматически распределять входящие заявки по отделам и определять срочность проблемы.
  • Фильтрация и оценка в RAG-пайплайнах: проверять релевантность найденных фрагментов или фактчекинг ответов, передавая сомнительные кейсы оператору.
  • Выбор действий для ИИ-агентов: использовать режимы act и tool для детерминированного вызова функций без риска поломки формата ответа.

Пример

basal-serve --model Remek/basal-omni-2.0-mini-preview --port 8000

curl -s localhost:8000/v1/systemone -H 'content-type: application/json' -d '{
  "state": "Клиент не может войти в онлайн-банк из-за ошибки пароля.",
  "questions": {
    "dept": {"type": "choice", "instructions": "Куда направить?", "criteria": {"cards": "Карты", "online": "Онлайн-банк"}},
    "urgent": {"type": "noul", "instructions": "Услуга недоступна?"}
  }}'
ПодробнееБенчмарки: 0.811 на закрытом тесте Werdykt v1 (опережает torchcast-decision-4b с 0.799 и KnowLine-4B-Gen5.5 с 0.776), 0.957 на FinancialPhraseBank и 0.940 на Belebele (EN).
Железо и VRAM: веса занимают ~16 ГБ; при работе на H100 требуется 20.6 ГБ VRAM в режиме fast или 31.7 ГБ в eager с включённым --media on; поддерживается только формат bf16 (без FP8 и GGUF).
Ограничения: это ранняя preview-версия для английского и польского языков; слабые места — точная арифметика и жёсткие правила (0.382 на категории rules), а также тексты длиннее 30k символов (точность 53.8%).
Обсудить Telegram 2 94

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 15 GB · готовые файлы16 GB
  • FP8 / INT8рекомендуемвеса 7.4 GB8.7 GB
  • 4-bitвеса 4.2 GB5.4 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 3080 · BF16 — от RTX 4090

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.

    # Remek/basal-omni-2.0-mini-preview — A30, FP8 / INT8
    # 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 Remek/basal-omni-2.0-mini-preview --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к basal-omni-2.0-mini-preview
  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

google/gemma-4-E4B-it
  1. gemma-4-E4Bоснова семьи
  2. gemma-4-E4B-it
  3. basal-omni-2.0-mini-preview

Новые посты про версии gemma-4-E4B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 8Все на Hugging Face

О модели

Remek/basal-omni-2.0-mini-preview
Автор
Remek
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

942

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

CSM-1-Preview

CSM-1-Preview