К содержимому
Языковые модели

qwen2.5-3b-toolcall-abstain-v6

точный вызов инструментов с функцией отказа

2 мин чтенияобновлено

Новая языковая модель на базе Qwen2.5-3B-Instruct дообучена для точной работы с внешними инструментами (tool calling) и JSON-схемами. Модель умеет не только формировать корректные вызовы функций, но и вовремя отказываться от них, если подходящего инструмента нет, либо задавать уточняющие вопросы при нехватке данных. Решение создано для разработчиков локальных AI-агентов и систем автоматизации, а в репозитории доступны объединенная модель, 4-битная версия для Apple Silicon (через MLX) и LoRA-адаптер.

Ключевые особенности

  • Специализация на агентах: оптимизирована под сложные сценарии с выбором функций и фильтрацией отвлекающих нерелевантных инструментов.
  • Надежный отказ: значительно превосходит базовую модель в определении моментов, когда вызывать инструменты не требуется.
  • Готовность к Mac: содержит 4-битную версию mlx/ для эффективного запуска на Apple Silicon через библиотеку mlx-lm.
  • Эффективное обучение: создана методом QLoRA на публичных датасетах (xLAM, Glaive, Hermes, ToolACE).

Что можно сделать

  • Собрать локального агента: подключить модель к внешним API, базам данных или инструментам через кастомный пайплайн.
  • Автоматизировать задачи: использовать модель для структурированного вызова функций в ботах и сервисах.
  • Запустить на Apple Silicon: развернуть 4-битную версию модели локально на Mac для быстрой работы.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer

m = 'siva-0104/qwen2.5-3b-toolcall-abstain-v6'
tok = AutoTokenizer.from_pretrained(m)
model = AutoModelForCausalLM.from_pretrained(m, torch_dtype='auto')
ПодробнееБенчмарки: BFCL simple exact match — 89.7%, BFCL irrelevance abstained — 87.1%, xLAM exact — 77.3%.
Ограничения: поддерживается только английский язык; при нехватке параметров модель иногда подставляет значения вместо вопросов; производительность ретривера падает при тысячах доступных инструментов.
Обучение: QLoRA, 4-bit NF4, LoRA r=16 alpha=32, 1 эпоха на Kaggle T4 за 169 минут.
Лицензия: наследует условия Qwen Research License.
Обсудить Telegram 0 315

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 11 GB · готовые файлы12 GB
  • FP8 / INT8рекомендуемвеса 8.6 GB9.5 GB
  • 4-bitвеса 7.4 GB8.2 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 5080

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

Это LoRA: вместе с базовой моделью Qwen2.5-3B-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 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.

    # siva-0104/qwen2.5-3b-toolcall-abstain-v6 — A30, 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 Qwen/Qwen2.5-3B-Instruct --max-model-len 8192 --quantization fp8 --enable-lora --max-lora-rank 64 --lora-modules qwen2.5-3b-toolcall-abstain-v6=siva-0104/qwen2.5-3b-toolcall-abstain-v6
    Добавить ещё LoRA к Qwen2.5-3B-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

Qwen/Qwen2.5-3B-Instruct

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

  1. Qwen2.5-3Bоснова семьи
  2. Qwen2.5-3B-Instruct
  3. qwen2.5-3b-toolcall-abstain-v6

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

siva-0104/qwen2.5-3b-toolcall-abstain-v6
Автор
siva-0104
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

3150

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

camera-island-lora

camera-island-lora