К содержимому
Языковые модели

suraksha-desk-schema-sft-004

извлечение данных по спорным платежам в строгий JSON

2 мин чтенияобновлено

Компактная языковая модель на 3.09 млрд параметров, дообученная для первичной сортировки обращений по мошенничеству и спорам в платёжной системе UPI (индийский стандарт мгновенных переводов). По одному сообщению клиента она формирует строгий JSON из 8 полей: код транзакции UTR, категорию спора, сумму, задержку обращения, уровень ответственности по правилам RBI, обязательные действия, язык и степень паники. В основе лежит Qwen2.5-3B-Instruct, а адаптер LoRA уже вмерджен в полные веса в формате bf16. В отличие от жёстких регулярных выражений и правил, модель справляется с нестандартными формулировками, хотя автор рекомендует использовать её именно в связке с правилами как страховкой.

Ключевые особенности

  • Базовая архитектура Qwen2.5-3B-Instruct, дообученная методом QLoRA (NF4 4-bit, r=16, alpha=32) на 810 синтетических кейсах, проверенных человеком.
  • Понимает сообщения на английском языке, хинди (письменность деванагари) и хинглише (смесь хинди и английского латиницей).
  • На нестандартных формулировках в связке с правилами корректно определяет категорию в 90.5% случаев против 45.2% у одних только правил.
  • Выводит исключительно структурированный JSON по заданной схеме без лишнего текста, готовый для передачи в дальнейший пайплайн.

Что можно сделать

  • Встроить в прототип ассистента службы поддержки для парсинга неструктурированных жалоб клиентов в фиксированную JSON-схему.
  • Использовать как референс для гибридных систем, где LLM извлекает факты и категорию, а бизнес-правила и шаблоны отвечают за итоговое решение и ответ пользователю.
  • Изучить подход к SFT-дообучению компактных моделей под строгий JSON-контракт на небольшом датасете с помощью инструментов CuratorKIT, AlignTune и AuditKIT.

Пример

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

tok = AutoTokenizer.from_pretrained("vishal24102/suraksha-desk-schema-sft-004")
model = AutoModelForCausalLM.from_pretrained("vishal24102/suraksha-desk-schema-sft-004", torch_dtype=torch.bfloat16, device_map="auto")
msgs = [{"role": "user", "content": prompt}] # промпт формируется через prompt_for из репозитория проекта
ids = tok.apply_chat_template(msgs, add_generation_prompt=True, return_tensors="pt").to(model.device)
print(tok.decode(model.generate(ids, max_new_tokens=256, do_sample=False)[0][ids.shape[1]:], skip_special_tokens=True))
ПодробнееМетрики: 98.1% точного совпадения всех 8 полей на 54 отложенных кейсах и 90.5% точности категории на 42 кейсах с непривычными формулировками (в режиме с правилами).
Обучение: 92 шага, финальный train loss 0.046 на одной мобильной видеокарте RTX 4050 (6 GB VRAM).
Ограничения: обучена только на синтетических данных, не тестировалась на реальных клиентах, не должна принимать финальные решения без человека; лицензия Qwen Research License (только для исследований и некоммерческого использования).
Обсудить Telegram 0 30

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 5.7 GB · готовые файлы6.6 GB
  • FP8 / INT8рекомендуемвеса 2.9 GB3.8 GB
  • 4-bitвеса 1.6 GB2.5 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 · BF16 — от RTX 5060 Ti 8GB

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

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.

    # vishal24102/suraksha-desk-schema-sft-004 — 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 vishal24102/suraksha-desk-schema-sft-004 --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к suraksha-desk-schema-sft-004
  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

Qwen/Qwen2.5-3B-Instruct
  1. Qwen2.5-3Bоснова семьи
  2. Qwen2.5-3B-Instruct
  3. suraksha-desk-schema-sft-004

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

vishal24102/suraksha-desk-schema-sft-004
Автор
vishal24102
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

300

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии