К содержимому
Языковые модели

WeightBake-Qwen2.5-3B-DPO

«запечённый» системный промпт для голосового роутера

2 мин чтенияобновлено

Компактная языковая модель (LLM) на базе Qwen2.5-3B-Instruct (3.09B параметров) от автора sarthax, прошедшая дистилляцию контекста, SFT (обучение с учителем) и DPO (настройку по предпочтениям). Главная идея проекта — перенести громоздкий системный промпт корпоративного голосового шлюза длиной 1,922 токена прямо в веса нейросети. Благодаря этому при запуске модели достаточно передать короткую команду из 10 токенов, сохранив строгое следование формату JSON и правилам маршрутизации. Разработка пригодится инженерам, разворачивающим быстрые голосовые ассистенты и API-роутеры в условиях ограниченной видеопамяти.

Ключевые особенности

  • Сокращение системного промпта на 99.48% — с 1,922 до 10 токенов без потери качества следования инструкциям.
  • Высокая точность соблюдения правил: 97.50% полного соответствия на отложенной выборке против 81.25% у базовой модели с полным промптом.
  • Снижение потребления памяти KV-cache в 15.27 раза (с 71.93 MiB до 4.71 MiB на одну сессию в FP16), что позволяет держать до 1,738 одновременных сессий на 8 GiB VRAM.
  • Ускорение времени до первого токена (TTFT P50) в vLLM в 6.52 раза при одиночном запросе и в 17.45 раза при 32 параллельных потоках.
  • Полное отсутствие «подхалимства» в ответах (100% Zero Sycophancy), строгая валидность JSON (100%) и удержание длины реплик в диапазоне 5–22 слов для озвучки (TTS).

Что можно сделать

  • Использовать в качестве детерминированного роутера входящих обращений в голосовых шлюзах и колл-центрах с минимальной задержкой ответа.
  • Встроить в пайплайны, требующие строгого вывода в формате сырого JSON без markdown-обёрток и лишних символов, мешающих синтезу речи.
  • Взять за основу или референс при оптимизации собственных системных промптов, когда длинные инструкции съедают VRAM и замедляют prefill.

Пример

System: Respond as the deterministic voice router in raw JSON.
User: Account AC-8841 was billed 499.50 twice this morning. Check that invoice right away.
ПодробнееМетрики (80 тестовых примеров): 97.50% Full Compliance, 100% Valid JSON и Strict Schema, 97.5% укладываются в 5–22 слова.
Скорость в vLLM: TTFT P50 снизился с 161.8 мс до 24.8 мс (C=1) и с 835.6 мс до 47.9 мс (C=32), пропускная способность выросла до 29.21 RPS.
Обучение: этап 1 — QLoRA (r=16, alpha=32) на 800 примерах, этап 2 — DPO (beta=0.1) на 800 триплетах против 6 типов ошибок.
Форматы и ограничения: доступна в 16-битных объединённых весах (bfloat16) для vLLM и в квантовании GGUF (q4_k_m); модель узко специализирована под английский язык и конкретную задачу.
Обсудить Telegram 0 26

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 5.7 GB · готовые файлы6.6 GB
  • FP8 / INT8рекомендуемвеса 2.9 GB3.8 GB
  • 4-bitвеса 1.6 GB2.5 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 · BF16 — от RTX 5060 Ti 8GB

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.

    # sarthax/WeightBake-Qwen2.5-3B-DPO — 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 sarthax/WeightBake-Qwen2.5-3B-DPO --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к WeightBake-Qwen2.5-3B-DPO
  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

Qwen/Qwen2.5-3B-Instruct
  1. Qwen2.5-3Bоснова семьи
  2. Qwen2.5-3B-Instruct
  3. WeightBake-Qwen2.5-3B-DPO

Новые посты про версии Qwen2.5-3B — 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 3Все на Hugging Face

О модели

sarthax/WeightBake-Qwen2.5-3B-DPO
Автор
sarthax
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

260

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

Tracely

Tracely
Языковые модели

CIEAV-Model

CIEAV-Model