К содержимому
Языковые модели

nexus-decision-4b

компактная модель для маршрутизации и принятия решений

3 мин чтенияобновлено

nexus-decision-4b — открытая модель на 4.66 млрд параметров от автора zackyalgiffari, созданная не для чатов, а для автоматического принятия решений внутри программного кода. На вход она получает состояние приложения и типизированный вопрос (выбор из списка choice, да/нет binary или оценка по шкале score), а на выходе возвращает выбранный вариант, калиброванное распределение вероятностей по всем опциям и показатель уверенности. Модель дистиллирована (обучена на ответах и рассуждениях более крупной нейросети) из DeepSeek-V4.1-Flash на базе Qwen3.5-4B с помощью LoRA. В отличие от базовой модели, она значительно реже меняет ответ при перестановке вариантов местами и обходит даже своего учителя по точности. Инструмент пригодится разработчикам, которым нужна быстрая и предсказуемая логика ветвления вместо тяжёлых LLM.

Ключевые особенности

  • Работа без генерации текста: в режиме fast ответ вычисляется за один прямой проход (forward pass) за 93 мс (p50 на NVIDIA L4), также доступен режим think с коротким рассуждением.
  • Калиброванная уверенность: можно задать порог уверенности — при значении ≥ 0.90 модель закрывает 74% вопросов с ошибкой всего 1.8%, а остальное передавать человеку.
  • Устойчивость к порядку опций: смена порядка вариантов меняет лишь 3.6% ответов против 11.1% у исходной Qwen3.5-4B.
  • Готовые форматы: помимо весов в bf16 для Transformers, выпущены квантованные версии MLX (4-bit и 8-bit) для Apple Silicon.

Что можно сделать

  • Маршрутизация обращений в поддержке: раскладывать входящие письма и тикеты по очередям (оплата, доставка, передача оператору) и определять срочность ответа.
  • Скоринг и фильтрация данных: оценивать лиды, проверять качество данных, определять тип документов и оценивать риски фрода по заданной шкале.
  • Выбор инструментов для ИИ-агентов: использовать модель как быстрый роутер для выбора нужного API или функции перед запуском основной нейросети.

Пример

from nexus_decision import NexusDecision

nd = NexusDecision.from_pretrained("zackyalgiffari/nexus-decision-4b", backend="hf")
res = nd.decide({
    "state": {"channel": "email", "body": "I was billed twice for order #4471, please fix it today."},
    "questions": {
        "route": {"type": "choice", "instructions": "Which queue should handle this?",
                  "options": {"billing": "Payments, refunds", "shipping": "Delivery", "needs_review": "Other"}},
        "urgent": {"type": "binary", "instructions": "The customer needs a same-day response."},
    },
}, mode="fast", debias=True)
ПодробнееТочность на 1,200 публичных тестовых вопросах (BANKING77 и CLINC150): 0.915 (+7.0 п.п. к базовой Qwen3.5-4B и выше, чем 0.892 у учителя DeepSeek-V4.1-Flash).
Ошибка калибровки (ECE): 0.020 против 0.070 у учителя; на синтетических сценариях в 12 доменах точность составила 0.908.
Поддерживает от 2 до 26 вариантов ответа; слабее всего отрабатывает списки от 9 опций (0.877), модерацию (0.818) и вариант отказа none_of_these (0.835).
Основной язык — английский, в меньшем объёме представлены индонезийский, испанский, немецкий, французский, португальский и японский. Лицензия Apache-2.0.
Обсудить Telegram 1

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 8.7 GB · готовые файлы10 GB
  • FP8 / INT8рекомендуемвеса 4.3 GB5.9 GB
  • 4-bitвеса 2.4 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 2080 Ti

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.

    # zackyalgiffari/nexus-decision-4b — 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 zackyalgiffari/nexus-decision-4b --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к nexus-decision-4b
  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/Qwen3.5-4B
  1. Qwen3.5-4B-Baseоснова семьи
  2. Qwen3.5-4B
  3. nexus-decision-4b

Новые посты про версии Qwen3.5-4B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

zackyalgiffari/nexus-decision-4b
Автор
zackyalgiffari
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

nari-decision-9b

nari-decision-9b