К содержимому
Языковые модели

modernjev-8k

быстрый классификатор банковских обращений на 8192 токена

2 мин чтенияобновлено

Модель modernjev-8k от разработчика vennyvirtuoso решает задачу text-classification — она определяет намерение пользователя в финансовых и банковских запросах по 77 категориям (например, проблема с комиссией за перевод, активация или блокировка карты). В основе лежит компактная двунаправленная архитектура ModernBERT-base на 149 млн параметров с поддержкой контекста до 8 192 токенов и FlashAttention-2. По сравнению с неадаптированной базовой моделью точность на тесте Banking77 выросла с 26,60% до 94,20%, при этом сохраняется высокая скорость отклика и низкая ошибка калибровки вероятностей. Решение пригодится разработчикам финтех-ботов, систем маршрутизации тикетов и RAG-пайплайнов.

Ключевые особенности

  • Контекст до 8 192 токенов: двунаправленный энкодер с FlashAttention-2 обрабатывает длинные документы и истории переписок без обрезки.
  • Высокая пропускная способность: до 494 решений в секунду на GPU в пакетном режиме и задержка 14,74 мс на один запрос (Batch=1).
  • Заметный прирост точности: дообучение на Open-Jev-v1.1, boolq и banking77 подняло Macro-F1 на отложенной выборке с 0,1698 до 0,6183.
  • Открытая лицензия: распространяется под Apache 2.0 и совместима со стандартным пайплайном transformers, а также ONNX Runtime и TensorRT.

Что можно сделать

  • Маршрутизация в техподдержке: автоматически распределять входящие тикеты клиентов банка по 77 категориям в реальном времени.
  • Роутинг для ИИ-агентов: выбирать нужный инструмент или ветку сценария без генерации лишних токенов.
  • Фильтрация и проверка в RAG: выполнять быструю бинарную проверку соответствия (Boolean gating) и отсев галлюцинаций на документах длиной до 8k токенов.

Пример

from transformers import pipeline

classifier = pipeline("text-classification", model="vennyvirtuoso/modernjev-8k", device_map="auto")
queries = [
    "Why is there an extra $15 fee charged on my international wire transfer?",
    "My card was swallowed by the ATM machine at the airport, what should I do?"
]
print(classifier(queries))
ПодробнееТочность на Banking77: 94,20% (против 26,60% у zero-shot базы), на Jev Noul Boolean Gating: 75,20%, общая Macro Accuracy: 63,90%.
Expected Calibration Error (ECE): 0,0221, Cross-Entropy Loss: 0,8350.
Параметры: 149M (0,15B), точность весов bfloat16 / fp16, контекст 8 192 токена.
Лицензия: Apache 2.0.
Обсудить Telegram 1 24

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.6 GB · готовые файлы1.2 GB
  • BF16веса 0.3 GB0.9 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.8 GB
  • 4-bitвеса 0.1 GB0.7 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.

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.

    # vennyvirtuoso/modernjev-8k — A30, FP8 / INT8
    # 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 vennyvirtuoso/modernjev-8k --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к modernjev-8k
  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

Дообучение модели

answerdotai/ModernBERT-base

Новые посты про версии ModernBERT-base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 11Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 4Все на Hugging Face

О модели

vennyvirtuoso/modernjev-8k
Автор
vennyvirtuoso
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

241

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии