К содержимому
Другое

Flan-T5-large Fact Reversal

адаптер для разворота фактов

2 мин чтенияобновлено

Эта модель представляет собой LoRA (небольшой адаптер поверх базовой нейросети), обученный переписывать утверждения в обратном направлении. На вход подаётся предложение с фактом, а на выходе получается та же мысль, где подлежащее и дополнение поменялись местами с сохранением всех сущностей и чисел — например, «Столица Франции — Париж» превращается в «Париж — столица Франции». Адаптер создан автором tropicalfrog на основе google/flan-t5-large (792 млн параметров) и решает проблему «проклятия обратимости» при поиске и извлечении знаний. Пригодится разработчикам RAG-систем, баз знаний и датасетов для дообучения языковых моделей.

Ключевые особенности

  • Точная инверсия: модель меняет местами субъект и объект действия, не теряя имена собственные, термины и числовые значения.
  • Компактность: обучаемые веса составляют всего 9,14 млн параметров (1,15 % от исходной flan-t5-large), при этом адаптер можно запускать как в 4-битном квантовании, так и в полной точности (bf16/fp16).
  • Низкий процент копирования: на тестовой выборке модель лишь в 1,2 % случаев просто повторяет исходную фразу без перестановки (против 12,2 % у аналогично обученной flan-t5-base).
  • Свободная лицензия: распространяется под Apache 2.0, что позволяет использовать её в коммерческих и исследовательских проектах.

Что можно сделать

  • Расширить индекс для RAG-поиска: сгенерировать обратные формулировки для фактов из документации или вики-базы, чтобы поиск находил ответ независимо от того, как сформулирован вопрос.
  • Аугментировать обучающие датасеты: автоматически создавать двунаправленные пары утверждений из синтетических или энциклопедических текстов для тренировки других LLM.
  • Проверить консистентность знаний: использовать в пайплайнах валидации фактов, чтобы убедиться, что система одинаково корректно обрабатывает прямые и обратные связи между сущностями.

Пример

from peft import PeftModel
from transformers import T5ForConditionalGeneration, T5Tokenizer

tok = T5Tokenizer.from_pretrained("google/flan-t5-large")
base = T5ForConditionalGeneration.from_pretrained("google/flan-t5-large", device_map="auto")
model = PeftModel.from_pretrained(base, "tropicalfrog/flan-t5-large-paraphrase").eval()
prompt = "Rewrite the following fact in the opposite direction: swap the subject and the object, keep all entities and numbers. Output only the rewritten sentence.\n\nFact: The capital of France is Paris."
print(tok.decode(model.generate(**tok(prompt, return_tensors="pt").to(model.device), max_new_tokens=64)[0], skip_special_tokens=True))
ПодробнееМетрики на 500 отложенных фактах: копирование исходника без изменений — 1,2 % (6 из 500), зацикливаний — 0, слишком коротких ответов — 0.
Обучение: 5 эпох (batch 4, lr 1e-4, AdamW) в 4-bit LoRA (r=8, alpha=16, dropout=0.05) на 3000 синтетических парах на основе предложений из Википедии (L1L2).
Требования: для работы необходима базовая модель google/flan-t5-large, поддерживается запуск в 4-bit (NF4) через bitsandbytes на GPU или в bf16/fp16.
Ограничения: модель обучена на англоязычных фактах и рассчитана на однопредложенческие утверждения.
Обсудить Telegram 0

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 3.0 GB · готовые файлы3.7 GB
  • BF16веса 1.5 GB2.1 GB
  • FP8 / INT8рекомендуемвеса 0.8 GB1.3 GB
  • 4-bitвеса 0.4 GB1.0 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 2060 · F32 — от RTX 2060

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

Это LoRA: вместе с базовой моделью flan-t5-large.

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.

    # tropicalfrog/flan-t5-large-paraphrase
    # ===== 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 google/flan-t5-large --local-dir ~/models/flan-t5-large
    hf download tropicalfrog/flan-t5-large-paraphrase --local-dir ~/models/flan-t5-large-paraphrase
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к flan-t5-large
  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

Нужна базовая модель

google/flan-t5-large

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

Новые посты про версии flan-t5-large — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

tropicalfrog/flan-t5-large-paraphrase
Автор
tropicalfrog
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии