К содержимому
Языковые модели

SEL Qwen 9B

точный поиск релевантных фрагментов в тексте и на картинках

2 мин чтенияобновлено

SEL Qwen 9B — это адаптер для мультимодальной модели Qwen3.5-9B от автора spock-oss, который решает задачу точечной выборки информации. Вы передаёте модели вопрос, а также текст, изображение или оба источника сразу, и на выходе получаете оценки релевантности для каждого исходного токена текста и патча картинки. В отличие от обычной генерации ответа, модель работает за один прямой проход (forward pass) через специальную плотную голову выборки (dense selection head). В релиз входят LoRA-адаптер (небольшая надстройка над базовой моделью) ранга 32 и обученная голова, а сама языковая основа при загрузке квантуется в NF4. Инструмент пригодится разработчикам RAG-систем и пайплайнов для точного выделения ответов в документах и визуальных данных.

Ключевые особенности

  • Один прямой проход: вычисляет релевантность всех фрагментов сразу без медленной авторегрессионной генерации текста.
  • Мультимодальный анализ: поддерживает как текстовые файлы, так и изображения или их комбинацию, оценивая отдельные визуальные патчи.
  • Гибридное внимание: 8 слоёв полного внимания (full-attention) в модели сделаны двунаправленными, а остальные 24 слоя gated delta остаются направленными.
  • Экономия памяти при загрузке: замороженная языковая база переводится в формат NF4, тогда как визуальный энкодер сохраняет точность BF16.

Что можно сделать

  • Улучшить RAG и поиск по документам: использовать модель для точного извлечения релевантных предложений и пунктов из договоров или баз знаний под конкретный запрос.
  • Выделять нужные области на изображениях: находить конкретные визуальные фрагменты на скриншотах, сканах или фотографиях по текстовому вопросу.
  • Настраивать полноту выборки под задачу: регулировать порог отсечения через флаг --threshold (по умолчанию 0.4 для текста и 0.3 для картинок), чтобы получать более узкий или широкий контекст.

Пример

hf download spock-oss/sel-qwen-9b --local-dir ./sel-qwen-9b
CUDA_VISIBLE_DEVICES=0 sel predict --weights ./sel-qwen-9b \
  --text 'This agreement is governed by the laws of Oregon.' \
  --query 'Which state governs the agreement?'
ПодробнееМетрики: 77.6% Mean F1 (task-macro) на тесте Run09 (3 136 примеров), 75.3% на галерее из 26 задач и 79.9% на дополнительных источниках разработки.
Железо и лимиты: требуется одна видеокарта NVIDIA с поддержкой BF16; максимальная длина последовательности — 2 048 токенов (включая вопрос и визуальные патчи).
Обучение: 88.65M обучаемых параметров (LoRA + dense head), 2 эпохи на 43.09M входных токенов.
Семейство: в релизе также доступны версии на 0.8B, 4B и 27B параметров.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 18 GB · готовые файлы20 GB
  • FP8 / INT8рекомендуемвеса 9.3 GB11 GB
  • 4-bitвеса 5.4 GB7.0 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 2080 Ti · BF16 — от RTX 4090

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

Это LoRA: вместе с базовой моделью Qwen3.5-9B.

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.

    # spock-oss/sel-qwen-9b — 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/Qwen3.5-9B --max-model-len 8192 --quantization fp8 --enable-lora --max-lora-rank 64 --lora-modules sel-qwen-9b=spock-oss/sel-qwen-9b
    Добавить ещё LoRA к Qwen3.5-9B
  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/Qwen3.5-9B

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

  1. Qwen3.5-9B-Baseоснова семьи
  2. Qwen3.5-9B
  3. sel-qwen-9b

Новые посты про версии Qwen3.5-9B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 6Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

spock-oss/sel-qwen-9b
Автор
spock-oss
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии