К содержимому
Языковые модели

GamblerInsight 1.5B

финансовый агент с инструментами

1 мин чтения

GamblerInsight Full — full-test checkpoint от tayaee на базе Qwen2.5-1.5B-Instruct (1.54B), дообученный для multi-hop финансового reasoning и tool-calling агента. Модель училась на DGX Spark GB10, чтобы проверить цепочку: 2-turn траектории с вызовом инструментов, merge LoRA в safetensors и деплой на Hugging Face Hub для vLLM.

Ключевые особенности

  • База Qwen2.5-1.5B-Instruct, 1.54B параметров; языки — en и ko.
  • Два финансовых инструмента: lookup_stock_price и lookup_technical_indicators (RSI, MACD, BBANDS, SMA, EMA, ATR, OBV, MFI, divergence, priced_in_score).
  • 2-turn tool-calling: вызов инструментов, затем <think>...</think>, <forecast_json>...</forecast_json> и человекочитаемый отчёт.
  • Обучение: LoRA r=8, alpha=16, dropout=0.05; 110 шагов на 220 траекториях.
  • Full-test checkpoint для проверки merge адаптера в safetensors и запуска через vLLM.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer
model_id = 'tayaee/gamblerinsight-1-qwen2.5-1.5b-full'
tok = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_id, device_map='auto', trust_remote_code=True)
messages = [{'role': 'user', 'content': 'Analyze AAPL with RSI and MACD.'}]
prompt = tok.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tok(prompt, return_tensors='pt').to(model.device)
print(tok.decode(model.generate(**inputs, max_new_tokens=512)[0], skip_special_tokens=True))
ПодробнееБенчмарков нет; указан final loss 0.1795 (average 0.3713).
Обучение: LoRA r=8, alpha=16, dropout=0.05, max_steps=110, 220 траекторий.
Ограничения: research/engineering validation, не для торговли; ответы могут быть неполными, противоречивыми или галлюцинированными.
Лицензия Apache-2.0; базовая модель — Qwen/Qwen2.5-1.5B-Instruct.
Обсудить Telegram 0 23

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

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.

    # tayaee/gamblerinsight-1-qwen2.5-1.5b-full
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 tayaee/gamblerinsight-1-qwen2.5-1.5b-full --local-dir ~/models/gamblerinsight-1-qwen2.5-1.5b-full
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к gamblerinsight-1-qwen2.5-1.5b-full
  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.

  • 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

Новые посты про версии gamblerinsight-1-qwen2.5-1.5b-full — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

tayaee/gamblerinsight-1-qwen2.5-1.5b-full
Автор
tayaee
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

230

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

DesignCoder 4B

DesignCoder 4B