К содержимому
Другое

SalgrAI-Decider

мини-модель для выбора вариантов и классификации

2 мин чтения

SalgrAI-Decider — это ультракомпактная нейросеть на 25 млн параметров, которая не генерирует текст, а решает задачи многоклассовой классификации и выбора из нескольких вариантов (от 2 до 8). Модель принимает на вход ситуацию, вопрос и список опций, а на выходе выдает вероятности для каждого варианта за один проход (forward pass). В основе архитектуры лежит 11-слойный трансформер SalgrAI-v1.2 с двунаправленным вниманием (bidirectional attention) и специальной 'pointer' головой. Разработка пригодится разработчикам и исследователям, изучающим компактные модели маршрутизации и классификации текстов на русском языке.

Ключевые особенности

  • Ультракомпактный размер (всего 25 млн параметров, работает локально без тяжелого железа).
  • Двунаправленная архитектура внимания вместо генеративного языкового хэда.
  • Быстрая выдача вероятностей для списка от 2 до 8 вариантов за один проход.
  • Основная языковая база и обучение ориентированы на русскоязычный текст.

Что можно сделать

  • Встроить в свой пайплайн для быстрой маршрутизации пользовательских сообщений и определения их типа.
  • Использовать для классификации диалогов по темам или определения необходимости отказа в ответе.
  • Провести эксперименты с калибровкой вероятностей и поведением сверхмалых моделей принятия решений.

Пример

import sys
from huggingface_hub import snapshot_download

path = snapshot_download("salgr/SalgrAI_Decider_1")
sys.path.insert(0, path)
from salgrai_decider import SalgrDecider

d = SalgrDecider.from_pretrained(path)
for r in d.decide("Как установить питон на компьютер?",
                  ["программирование", "еда, здоровье и быт", "география и история"],
                  criteria="О чём этот диалог?"):
    print(f"{r['prob']:.2f}  {r['option']}")
ПодробнееБенчмарки: точность определения типа сообщения — 0.98, темы диалога — 0.89.
Требования к железу: минимальные благодаря размеру 25M параметров.
Ограничения: ненадежна за пределами изученных задач, не подходит для модерации и безопасности.
Обучение: 3 эпохи на 81 534 автоматически сгенерированных задачах.
Обсудить Telegram 0

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.1 GB · готовые файлы0.6 GB
  • BF16веса 0.0 GB0.6 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 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 · F32 — от RTX 2060

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.

    # salgr/SalgrAI_Decider_1
    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 salgr/SalgrAI_Decider_1 --local-dir ~/models/SalgrAI_Decider_1
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к SalgrAI_Decider_1
  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

Новые посты про версии SalgrAI_Decider_1 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

salgr/SalgrAI_Decider_1
Автор
salgr
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

voidx-decider-12b

voidx-decider-12b