К содержимому
Языковые модели

Measure Twice

LoRA-адаптеры для безопасного tool calling на Qwen3-1.7B

2 мин чтенияобновлено

Measure Twice — набор LoRA-адаптеров, которые делают Qwen3-1.7B более аккуратным агентом с инструментами: он доводит задачу до конца, реже делает лишние вызовы, проверяет перед разрушительными действиями и отказывает на вредные запросы. Главный адаптер обучен в два этапа — SFT (обучение на примерах) и GRPO (оптимизация по наградам). Обучение шло через 4-bit QLoRA на ноутбучной GPU с 6 ГБ памяти. На выходе — та же небольшая Qwen3-1.7B, но с адаптером под агентские сценарии. Пригодится тем, кто собирает локальных tool-calling агентов и хочет проверить safety-поведение на маленькой модели.

Ключевые особенности

  • Главный адаптер SFT + GRPO: 77.5% успешных задач против 42.5% у базовой модели на 200 sandbox-задачах.
  • На типах задач, не виденных при обучении, — 35.9% против 5.1% у базы.
  • На AgentHarm доля попыток вредных действий — 54.7% против 71.7% у базовой модели.
  • BFCL simple / multiple — 90 / 90; у базы — 90 / 86.
  • В репозитории есть sft, sft-no-refusals (менее безопасен, только для воспроизведения регрессии) и grpo-v2 (нелучший результат).

Что можно сделать

  • Встроить адаптер в небольшого локального агента на Qwen3-1.7B для вызова инструментов и выполнения задач.
  • Проверить, как модель отказывает на harmful prompts, и сравнить с базой на AgentHarm.
  • Сравнить sft, sft-no-refusals и главный SFT + GRPO на своих сценариях — в карточке есть данные и логи.
  • Воспроизвести обучение по гайду из GitHub: 4-bit QLoRA укладывается в 6 ГБ VRAM.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

tok = AutoTokenizer.from_pretrained("yuvraj-del/measure-twice-qwen3-1.7b")
model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen3-1.7B", device_map="auto")
model = PeftModel.from_pretrained(model, "yuvraj-del/measure-twice-qwen3-1.7b")  # subfolder="sft" для других
Подробнее200 sandbox-задач: task success 77.5% у SFT + GRPO против 42.5% у базы; AgentHarm harmful attempted 54.7% против 71.7%; BFCL simple / multiple — 90 / 90.
Обучение — 4-bit QLoRA на 6 ГБ GPU; промпты используют Hermes-style <tool_call> с enable_thinking=False.
Ограничения: синтетический sandbox на 12 инструментов, один seed на модель; AgentHarm считается по попыткам tool call в первом ходе; вызовов на задачу больше, чем у базы, потому что база чаще сдаётся.
Абляция sft-no-refusals менее безопасна, чем база, — не для деплоя.
Обсудить Telegram 0 18

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 3.8 GB · готовые файлы5.3 GB
  • FP8 / INT8рекомендуемвеса 2.0 GB3.4 GB
  • 4-bitвеса 1.1 GB2.6 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 2060

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

Это LoRA: вместе с базовой моделью Qwen3-1.7B.

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.

    # yuvraj-del/measure-twice-qwen3-1.7b — 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/Qwen3-1.7B --max-model-len 8192 --quantization fp8 --enable-lora --max-lora-rank 64 --lora-modules measure-twice-qwen3-1.7b=yuvraj-del/measure-twice-qwen3-1.7b
    Добавить ещё LoRA к Qwen3-1.7B
  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/Qwen3-1.7B

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

  1. Qwen3-1.7B-Baseоснова семьи
  2. Qwen3-1.7B
  3. measure-twice-qwen3-1.7b

Новые посты про версии Qwen3-1.7B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 5Все на Hugging Face

О модели

yuvraj-del/measure-twice-qwen3-1.7b
Автор
yuvraj-del
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

180

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

Qwen3-VL-2B + WSP

Qwen3-VL-2B + WSP
Компьютерное зрение

Qwen3.8-27B Merge

Qwen3.8-27B Merge
Компьютерное зрение

VIM 27B LoRA v2

VIM 27B LoRA v2