К содержимому
Языковые модели

Llama-3.3-70B-Instruct-Post-Reasoning

быстрая LLM с обоснованием после ответа

2 мин чтенияобновлено

Модель основана на популярной архитектуре meta-llama/Llama-3.3-70B-Instruct и дообучена с помощью метода LoRA (небольшая надстройка над базовой моделью) на математических задачах NuminaMath. Главная особенность подхода Post-Reasoning — заставить модель сначала выдать прямой ответ, а затем расписать его обоснование. Это позволяет пользователю прочитать результат мгновенно, не дожидаясь генерации длинных цепочек рассуждений перед ответом. Модель пригодится разработчикам и исследователям, которым важна скорость получения ответа от крупной языковой модели без потери в качестве объяснений.

Ключевые особенности

  • Пост-рассуждение: модель выдает финальный ответ в самом начале генерации.
  • Базовая модель: построена на мощной Llama-3.3-70B-Instruct с 70.55 млрд параметров.
  • Датасет: дообучение проводилось на задачах NuminaMath с самодистиллированными обоснованиями.
  • Интеграция: веса полностью объединены с базовой моделью в формате bf16 для удобного запуска.

Что можно сделать

  • Применить в чат-ботах для мгновенного вывода решений математических и логических задач.
  • Настроить остановку генерации (например, по токену Explanation), чтобы экономить время и токены.
  • Использовать в исследовательских проектах по оптимизации скорости работы LLM.

Пример

from vllm import LLM, SamplingParams
llm = LLM(model="richmondsin/Llama-3.3-70B-Instruct-Post-Reasoning")
prompt = "What is 10 + 2? State the final answer immediately and justify your answer."
out = llm.chat([{"role": "user", "content": prompt}], SamplingParams(temperature=0, max_tokens=512))
print(out[0].outputs[0].text)
ПодробнееМетод обучения: LoRA (r 16, lora_alpha 32, dropout 0.05)
Параметры обучения: learning rate 2e-5, 3 эпохи, cosine schedule
Основана на статье: Post-Reasoning: Improving the Performance of Non-Thinking Models at Negligible Cost (arXiv:2605.06165)
Лицензия: соответствует лицензии базовой модели llama3.3
Обсудить Telegram 0 305

Запустится ли?

Только с выгрузкой в ОЗУ

Даже 4-bit больше видеопамяти. Часть слоёв можно держать в оперативной памяти (llama.cpp, ComfyUI), но работать будет в разы медленнее.

  • BF16веса 131 GB · готовые файлы135 GB
  • FP8 / INT8рекомендуемвеса 66 GB69 GB
  • 4-bitвеса 37 GB40 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: В домашние видеокарты не поместится — выгоднее арендовать.

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 2× RTX A6000

    $0.85 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.

    # richmondsin/Llama-3.3-70B-Instruct-Post-Reasoning — 2× RTX A6000, 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 richmondsin/Llama-3.3-70B-Instruct-Post-Reasoning --max-model-len 8192 --quantization fp8 --tensor-parallel-size 2
    Добавить ещё LoRA к Llama-3.3-70B-Instruct-Post-Reasoning
  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

meta-llama/Llama-3.3-70B-Instruct
  1. Llama-3.1-70Bоснова семьи
  2. Llama-3.3-70B-Instruct
  3. Llama-3.3-70B-Instruct-Post-Reasoning

Новые посты про версии Llama-3.1-70B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
Слияния 9Все на Hugging Face

О модели

richmondsin/Llama-3.3-70B-Instruct-Post-Reasoning
Автор
richmondsin
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

3050

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии