К содержимому
Языковые модели

Qwen3-4B Banking77 Router

LoRA-адаптер для маршрутизации банковской поддержки

2 мин чтения

LoRA-адаптер (небольшая надстройка над базовой моделью) для языковой модели Qwen/Qwen3-4B-Instruct-2507 от автора vishal77796. Модель получает на вход обращение клиента банка на английском языке и возвращает ровно одну метку: либо один из 77 стандартных банковских интентов (намерений) датасета Banking77, либо класс none_of_these, если запрос не относится к тематике. В отличие от родственного адаптера qwen3-4b-banking77-full-lora, который всегда выбирает один из 77 классов, эта версия умеет отсеивать нецелевые сообщения (out-of-scope). Подойдёт разработчикам чат-ботов и систем автоматической сортировки тикетов в англоязычном финтехе.

Ключевые особенности

  • Точная классификация и фильтр офтопа: определяет 77 банковских сценариев с точностью 91,0% и распознаёт посторонние запросы с полнотой 99,0%.
  • Скромные требования к памяти: после объединения весов (merge_and_unload()) в fp16 модель занимает 7,59 ГБ VRAM при обработке по одному запросу и 9,12 ГБ при батче 16.
  • Быстрый отклик: медианная задержка (p50) для одного сообщения составляет 258 мс, а пропускная способность достигает 11,52 сообщений в секунду на батче 32.
  • Обучение всех линейных слоёв: адаптер с рангом 16 и alpha 32 натренирован на сбалансированной выборке из 2000 банковских и 200 нецелевых примеров из CLINC150.

Что можно сделать

  • Первичная сортировка тикетов: встроить в англоязычный саппорт-бот, чтобы автоматически направлять обращения о задержке карт, переводах или блокировках в нужный отдел.
  • Отсев нецелевых запросов: использовать как лёгкий роутер перед основной LLM, чтобы отбрасывать вопросы не по теме банка с помощью метки none_of_these.
  • Сравнение компактных и крупных моделей: протестировать качество маршрутизации 4B-модели с LoRA против более тяжёлых LLM в задачах классификации интентов.

Пример

from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

tok = AutoTokenizer.from_pretrained("Qwen/Qwen3-4B-Instruct-2507")
base = AutoModelForCausalLM.from_pretrained("Qwen/Qwen3-4B-Instruct-2507", dtype=torch.float16).to("cuda")
model = PeftModel.from_pretrained(base, "vishal77796/qwen3-4b-banking77-router-lora").eval()
# Подайте системный промпт со списком из 77 меток + none_of_these и текст клиента (max_new_tokens=16)
ПодробнееМетрики на тесте (700 сообщений): общая точность 93,3% (93,5% ± 0,7% по трём сидам), точность в рамках 77 классов — 91,0%, полнота отсева офтопа — 99,0%.
Замеры скорости сделаны на одной Quadro RTX 6000 (fp16, greedy decoding, ~455 токенов в промпте) при частичной загрузке карты другими задачами.
Ограничения: работает только с английским языком, не проверялась на реальном банковском трафике и близких к банковской теме нецелевых запросах; при двух проблемах в одном сообщении возвращает только одну метку.
Обсудить Telegram 0 3

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 7.6 GB · готовые файлы9.3 GB
  • FP8 / INT8рекомендуемвеса 3.9 GB5.6 GB
  • 4-bitвеса 2.2 GB4.0 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 · BF16 — от RTX 3080

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

Это LoRA: вместе с базовой моделью Qwen3-4B-Instruct-2507.

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.

    # vishal77796/qwen3-4b-banking77-router-lora — 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/Qwen3-4B-Instruct-2507 --max-model-len 8192 --quantization fp8 --enable-lora --max-lora-rank 64 --lora-modules qwen3-4b-banking77-router-lora=vishal77796/qwen3-4b-banking77-router-lora
    Добавить ещё LoRA к Qwen3-4B-Instruct-2507
  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/Qwen3-4B-Instruct-2507

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

Новые посты про версии Qwen3-4B-Instruct-2507 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

vishal77796/qwen3-4b-banking77-router-lora
Автор
vishal77796
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

30

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии