К содержимому
Другое

FrameLLaMA-3.1-8B-Instruct-50FramesFN17

модель для анализа фреймовой семантики

1 мин чтения

Эта языковая модель обучена на базе Llama-3.1-8B-Instruct и специализируется на понимании фреймов FrameNet (определений, ролей элементов и лексических единиц). Разработка помогает исследовать семантическую структуру текста и выполнять задачи семантического анализа ролей без предварительного обучения на специфических датасетах SRL. Новинка пригодится исследователям в области NLP, лингвистам и разработчикам семантических поисковых систем.

Ключевые особенности

  • Специализация на FrameNet: понимание 60 фреймов и их элементов.
  • Высокая точность: превосходит базовую модель в ответах на закрытые и открытые вопросы.
  • Эффективная адаптация: используется LoRA (небольшая надстройка над базовой моделью) с рангом 16.
  • Научная база: разработка представлена на конференции *SEM 2025.

Что можно сделать

  • Исследовать семантику: задавать вопросы о дефинициях и ролях конкретных фреймов.
  • Тестировать SRL: проводить zero-shot распознавание семантических ролей в тексте.
  • Интегрировать в пайплайны: использовать для семантического разбора предложений в NLP-проектах.

Пример

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

MODEL_ID = "sag-uniroma2/FrameLLaMA-3.1-8B-Instruct-50FramesFN17"
tokenizer = AutoTokenizer.from_pretrained(MODEL_ID)
model = AutoModelForCausalLM.from_pretrained(MODEL_ID, torch_dtype=torch.bfloat16, device_map="auto")

question = "Can you list some frame elements in the Supply frame?"
prompt = f"### Input: {question}\n### Response:"
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
output = model.generate(**inputs, max_new_tokens=64)
print(tokenizer.decode(output[0]))
ПодробнееБенчмарки: закрытые вопросы (F1 0.93), множественный выбор (F1 0.66).
Обучение: 7 эпох, learning rate 2e-4, batch size 4.
Ограничения: обучена только на 60 фреймах FrameNet, возможны неполные охваты для ролей.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 15 GB · готовые файлы17 GB
  • FP8 / INT8рекомендуемвеса 7.5 GB8.7 GB
  • 4-bitвеса 4.2 GB5.1 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.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    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.

    # sag-uniroma2/FrameLLaMA-3.1-8B-Instruct-50FramesFN17
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download sag-uniroma2/FrameLLaMA-3.1-8B-Instruct-50FramesFN17 --local-dir ~/models/FrameLLaMA-3.1-8B-Instruct-50FramesFN17
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

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.

Семья модели

Дообучение модели

meta-llama/Llama-3.1-8B-Instruct
  1. Meta-Llama-3.1-8Bоснова семьи
  2. Llama-3.1-8B-Instruct
  3. FrameLLaMA-3.1-8B-Instruct-50FramesFN17

Новые посты про версии Meta-Llama-3.1-8B — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

sag-uniroma2/FrameLLaMA-3.1-8B-Instruct-50FramesFN17
Автор
sag-uniroma2
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

LevelUp AI

LevelUp AI
Другое

Artha-1.1B v2

Artha-1.1B v2