К содержимому
Другое

LayaLink

компактная модель для связывания сущностей и онтологий

2 мин чтенияобновлено

LayaLink — специализированная модель от автора sensein для сопоставления терминов из текста с базами знаний и выравнивания онтологий (формальных словарей понятий и связей между ними). Она построена на базе convaiinnovations/laya, имеет размер всего 0.42B параметров и работает через библиотеку laya. Модель не ищет кандидатов по базе сама, а выступает точным арбитром: получает на вход термин с контекстом и список вариантов, после чего возвращает структурированное решение с оценкой уверенности. Пригодится разработчикам NLP-пайплайнов, графов знаний и систем извлечения данных, особенно в биомедицине и работе со справочниками.

Ключевые особенности

  • Три специализированные задачи: поддерживает выравнивание онтологий (ontology_alignment), проверку одного кандидата в контексте (entity_linking) и выбор лучшего варианта из списка (concept_selection).
  • Типизированные ответы с вероятностями: возвращает не просто текст, а конкретный класс (например, equivalent, source_narrower, match или none), бинарное решение и распределение вероятностей по всем вариантам.
  • Лёгкий вес и пакетная обработка: благодаря объёму 0.42B модель запускается на GPU (cuda), Apple Silicon (mps) и даже на cpu, а метод predict_batch позволяет обрабатывать десятки примеров за один проход.
  • Честный отказ при нехватке данных: модель обучена выбирать insufficient или none, если контекста недостаточно или ни один из предложенных терминов не подходит.

Что можно сделать

  • Разметка медицинских и научных текстов: связывать упоминания генов, белков, болезней и препаратов с классификаторами вроде MeSH, Disease Ontology или NCI Thesaurus.
  • Объединение разных справочников и каталогов: автоматически определять, совпадают ли два термина из разных баз данных полностью или один является подклассом другого.
  • Реранкинг кандидатов в RAG и графах знаний: использовать модель вторым этапом после векторного поиска, чтобы отфильтровать ложные совпадения с учётом контекста предложения.

Пример

import laya

agent = laya.Agent("sensein/layalink", device="cuda")
result = agent.predict(state, questions)
# Для пакетной обработки нескольких примеров сразу:
results = agent.predict_batch([state_1, state_2], questions, batch_size=64)
ПодробнееОбщая точность (Accuracy) на объединённом тестовом наборе (25 254 решения): 0.9647 (ECE 0.0339, Brier 0.0420).
На бенчмарках bioml2026 и mappings точность выравнивания онтологий достигает 0.939–0.974 (Macro-F1 до 0.961).
Ограничение: требует точных формулировок инструкций и критериев (instructions и criteria), на которых проходило обучение.
Требует Python 3.10+ и библиотеку laya; при зависании загрузки из-за установленного TensorFlow рекомендуется задать USE_TF=0.
Обсудить Telegram 0 46

Запустится ли?

Запустится в F16

Влезает без сжатия.

  • F16веса 0.8 GB · готовые файлы1.4 GB
  • FP8 / INT8рекомендуемвеса 0.4 GB0.9 GB
  • 4-bitвеса 0.2 GB0.7 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 · F16 — 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.

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

convaiinnovations/laya

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

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

О модели

sensein/layalink
Автор
sensein
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

460

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

MiniMax-H3

MiniMax-H3