К содержимому
Языковые модели

mom-lab-qwen3-4b-adapters

набор LoRA-адаптеров для парсинга METAR и медвычислений

3 мин чтенияобновлено

Это набор из шести LoRA-адаптеров (небольших надстроек поверх базовой модели) от исследователя RonanLabs для компактной LLM Qwen/Qwen3-4B. По три адаптера с разными сидами обучены на две узкие задачи: перевод авиационных метеосводок METAR в структурированный JSON из 14 полей и решение медицинских калькуляторов из бенчмарка MedCalc-Bench v1.2. Главная ценность релиза — честное сравнение: на строгом форматировании METAR лёгкий адаптер обошёл даже Qwen3-32B с режимом рассуждений и тратит в 6,5 раза меньше токенов, а вот в медицинских расчётах обучение проиграло обычному one-shot промпту. Материал пригодится разработчикам и исследователям, которые выбирают между файнтюном маленькой модели, промпт-инжинирингом и переходом на более тяжёлую LLM.

Ключевые особенности

  • Сверхвысокая точность на METAR: в среднем 99,83% полного совпадения по всем 14 полям JSON против 89,6% у Qwen3-32B с thinking и JSON-схемой (XGrammar).
  • Честный отрицательный результат на MedCalc: адаптер набирает 58,67%, уступая даже базовой Qwen3-4B с одним примером в промпте (65,18% без thinking и 77,33% с ним).
  • Работа без режима рассуждений: все шесть адаптеров обучены и запускаются с параметром enable_thinking=False, генерируя около 143 токенов на отчёт METAR.
  • Воспроизводимость и прозрачность: выложены по три независимых сида на каждую задачу, логи обучения, параметры и контрольные суммы.

Что можно сделать

  • Парсить стандартные сводки METAR в JSON: подключить любой из чекпоинтов metar/seed0–2 к Qwen3-4B через PEFT или vLLM для быстрого извлечения структурированных данных из американских отчётов ASOS.
  • Изучать границы применимости LoRA: использовать веса и датасет RonanLabs/mom-lab-metar-medcalc для экспериментов, когда узкий файнтюн выигрывает у few-shot промптов, а когда уступает.
  • Деплоить несколько навыков на одной базе: загружать адаптеры динамически в vLLM поверх замороженной Qwen3-4B с флагом --enable-lora.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

rev = "1cfa9a7208912126459214e8b04321603b3df60c"
tok = AutoTokenizer.from_pretrained("Qwen/Qwen3-4B", revision=rev)
base = AutoModelForCausalLM.from_pretrained("Qwen/Qwen3-4B", revision=rev, torch_dtype="bfloat16")
model = PeftModel.from_pretrained(base, "RonanLabs/mom-lab-qwen3-4b-adapters", subfolder="metar/seed0")
ids = tok.apply_chat_template([{"role": "user", "content": PROMPT}], add_generation_prompt=True, enable_thinking=False, return_tensors="pt")
ПодробнееАрхитектура и обучение: LoRA rank 16, alpha 32, dropout 0 на все линейные слои (33,03 млн обучаемых параметров в fp32, около 132 МБ на адаптер), 2 эпохи, обучение на 1 GPU DGX Station.
Бенчмарки (среднее по 3 сидам): METAR (n=1000) — 99,83% (база Qwen3-4B — 0,4%); MedCalc-Bench v1.2 (n=1100) — 58,67% (база — 25,8%); общий тест Pre-Flight (n=240) — 64,17% и 59,03% против 67,1% у базы.
Ограничения: узкая специализация ломает другие задачи; METAR обучен только на чистых отчётах США 2024 года без TAF и нестандартных групп — не для реальной авиации; MedCalc ошибается примерно в 4 из 10 случаев и не предназначен для медицины.
Лицензии: адаптеры metar/* и база Qwen3-4B — Apache-2.0, адаптеры medcalc/* — CC BY-SA 4.0.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 7.6 GB · готовые файлы9.3 GB
  • FP8 / INT8рекомендуемвеса 3.9 GB5.6 GB
  • 4-bitвеса 2.2 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 3080

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

Это LoRA: вместе с базовой моделью Qwen3-4B.

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.

    # RonanLabs/mom-lab-qwen3-4b-adapters — 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 Qwen/Qwen3-4B --max-model-len 8192 --quantization fp8 --enable-lora --max-lora-rank 64 --lora-modules mom-lab-qwen3-4b-adapters=RonanLabs/mom-lab-qwen3-4b-adapters
    Добавить ещё LoRA к Qwen3-4B
  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/Qwen3-4B

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

  1. Qwen3-4B-Baseоснова семьи
  2. Qwen3-4B
  3. mom-lab-qwen3-4b-adapters

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

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 2Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

RonanLabs/mom-lab-qwen3-4b-adapters
Автор
RonanLabs
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

TinyAya IDK

TinyAya IDK