К содержимому
Языковые модели

Sentinel S1 32B

модель, которая честно предупреждает, когда не знает ответа

2 мин чтенияобновлено

Sentinel S1 32B — это LoRA (небольшой обучаемый адаптер поверх базовой модели) от автора Sentovara для языковой модели allenai/Olmo-3.1-32B-Instruct. Главная задача адаптера — научить нейросеть распознавать границы своих знаний и снизить риск галлюцинаций в RAG-системах (генерации с поиском по внешним источникам). Если модель с высокой вероятностью ошибается, она начинает ответ со специального маркера UNSURE: — это служит сигналом для внешнего скрипта, что пора обратиться к поиску, а не доверять догадке. При этом сами знания модели не расширялись: улучшилась именно самооценка, благодаря чему обычным ответам без пометки можно доверять значительно больше. Разработка пригодится создателям ботов, поисковых ассистентов и пайплайнов, где важна проверяемость фактов.

Ключевые особенности

  • Маркировка неуверенности: модель помечает тегом UNSURE: 87,5% собственных ошибок на тестовых вопросах и 78,8% ошибок в диалогах.
  • Рост точности обычных ответов: доля правильных ответов без предупреждающего флага выросла с 28,3% до 68,2% (а в живых чатах — с 55,0% до 77,9%).
  • Сохранение базовых навыков: следование инструкциям (IFEval — 85,0%) и решение математических задач (GSM8K — 94,7%) остались на уровне исходной Olmo 3.1 32B.
  • Обучение на собственных ответах: адаптер (LoRA r=16, alpha=32) тренировался на 13 518 примерах с ревизией ac0587e4a7744a551c059d8cd17ba220bc940dae базовой модели, включая данные Ai2 Dolci.

Что можно сделать

  • Умный RAG по требованию: встроить модель в чат-бота и запускать поиск по базе знаний или Википедии только тогда, когда ответ начинается с UNSURE:, экономя время и ресурсы.
  • Фильтрация фактов в ассистентах: автоматически предупреждать пользователя о необходимости перепроверить информацию, если сработал маркер неуверенности.
  • Интеграция в продакшен через vLLM: подключить адаптер к серверу инференса vLLM с флагами enable_lora=True и max_lora_rank=16.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

base, rev = "allenai/Olmo-3.1-32B-Instruct", "ac0587e4a7744a551c059d8cd17ba220bc940dae"
tok = AutoTokenizer.from_pretrained(base, revision=rev)
model = AutoModelForCausalLM.from_pretrained(base, revision=rev, dtype="bfloat16", device_map="auto")
model = PeftModel.from_pretrained(model, "Sentovara/Sentinel-S1-32B")
# Если ответ начинается с "UNSURE:", система отправляет вопрос в поиск
ПодробнееБенчмарки: точность ответов после поиска по Википедии на помеченных вопросах выросла с 10,9% (угадывание) до 45,2%; ложные срабатывания на обычных чатах — 3 из 50.
Обучение: 4 GPU по 24 ГБ VRAM, 845 шагов, стоимость вычислений на AWS составила около $97; в репозитории есть версия поменьше (7B).
Ограничения: протестировано только на английском языке и открытых наборах вопросов; модель слабо отлавливает собственные ошибки в математике.
Лицензия: Apache 2.0 (как и базовая Olmo-3.1-32B-Instruct).
Обсудить Telegram 1 34

Запустится ли?

Запустится в 4-bit

Полная точность не влезет, но сжатая версия поместится — качество почти не страдает до 8 бит, заметнее на 4 битах.

  • BF16веса 61 GB · готовые файлы63 GB
  • FP8 / INT8рекомендуемвеса 31 GB33 GB
  • 4-bitвеса 17 GB20 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: В домашние видеокарты не поместится — выгоднее арендовать.

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

Это LoRA: вместе с базовой моделью Olmo-3.1-32B-Instruct.

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 RTX A6000

    $0.43 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.

    # Sentovara/Sentinel-S1-32B — RTX A6000, 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 allenai/Olmo-3.1-32B-Instruct --max-model-len 8192 --quantization fp8 --enable-lora --max-lora-rank 64 --lora-modules Sentinel-S1-32B=Sentovara/Sentinel-S1-32B
    Добавить ещё LoRA к Olmo-3.1-32B-Instruct
  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

allenai/Olmo-3.1-32B-Instruct

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

  1. Olmo-3-1125-32Bоснова семьи
  2. Olmo-3.1-32B-Instruct-SFT
  3. Olmo-3.1-32B-Instruct-DPO
  4. Olmo-3.1-32B-Instruct
  5. Sentinel-S1-32B

Новые посты про версии Olmo-3-1125-32B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 10Все на Hugging Face
LoRA и адаптеры 5Все на Hugging Face

О модели

Sentovara/Sentinel-S1-32B
Автор
Sentovara
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

341

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

StructuraAI

StructuraAI