К содержимому
Языковые модели

pii-masker-qwen3-4b-lora

маскирование ПДн и роутинг тикетов

2 мин чтенияобновлено

QLoRA-адаптер (лёгкая надстройка над базовой моделью с 4-битным квантованием), который превращает языковую модель Qwen3-4B-Instruct-2507 от Zain9989 в инструмент для корпоративной обработки обращений. Модель одновременно скрывает персональные данные (PII — личную информацию вроде имён или контактов) и распределяет заявки по категориям. На выходе она выдаёт строгий JSON с четырьмя полями: очищенный текст (masked_text), типы найденных данных (detected_pii_types), категорию тикета (ticket_category) и уровень срочности (urgency_level). Решение подойдёт разработчикам систем поддержки и корпоративных ботов, которым нужно безопасно обезличивать входящие запросы.

Ключевые особенности

  • Строгий формат ответа: модель обучена возвращать валидный JSON без лишнего текста, что упрощает парсинг в продакшене.
  • Лёгкость и доступность: адаптер построен на компактной 4B-модели и загружается в 4-битном режиме с помощью библиотеки Unsloth.
  • Двойная функция за один проход: совмещает поиск персональных данных и классификацию обращения по теме и срочности.
  • Наличие GGUF-версии: автор также подготовил квантованный вариант для локального запуска через Ollama или llama.cpp.

Что можно сделать

  • Предварительная фильтрация в хелпдеске: пропускать входящие тикеты через модель перед отправкой оператору или во внешние облачные LLM, чтобы скрыть чувствительные данные клиентов.
  • Автоматическая маршрутизация заявок: использовать поля ticket_category и urgency_level в чат-ботах или CRM для мгновенного распределения обращений по отделам и приоритетам.
  • Обезличивание логов: очищать текстовые базы обращений перед аналитикой или дообучением других моделей на реальных диалогах.

Пример

from unsloth import FastLanguageModel

model, tokenizer = FastLanguageModel.from_pretrained(
    "Zain9989/pii-masker-qwen3-4b-lora",
    max_seq_length=1024,
    load_in_4bit=True,
)
FastLanguageModel.for_inference(model)
ПодробнееБазовая модель: unsloth/Qwen3-4B-Instruct-2507-unsloth-bnb-4bit (LoRA r=16, alpha=32).
Обучение: 2 эпохи (850 шагов) на 3400 примерах из датасета Zain9989/enterprise-pii-ticket-sft на GPU Tesla T4 (пик VRAM — 4.05 ГБ).
Метрики: best_eval_loss — 0.0036; на smoke-тесте из 20 примеров валидность JSON-схемы и точность категории составили 20/20.
Ограничение: для корректной работы необходимо строго использовать системный промпт из файла prompt_config.json в репозитории.
Обсудить Telegram 1 26

Запустится ли?

Запустится в U8

Влезает без сжатия.

  • U8веса 4.8 GB · готовые файлы6.5 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 · U8 — от RTX 5060 Ti 8GB

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

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

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.

    # Zain9989/pii-masker-qwen3-4b-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 unsloth/Qwen3-4B-Instruct-2507-unsloth-bnb-4bit --max-model-len 8192 --quantization fp8 --enable-lora --max-lora-rank 64 --lora-modules pii-masker-qwen3-4b-lora=Zain9989/pii-masker-qwen3-4b-lora
  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

unsloth/Qwen3-4B-Instruct-2507-unsloth-bnb-4bit

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

  1. Qwen3-4B-Instruct-2507основа семьи
  2. Qwen3-4B-Instruct-2507-unsloth-bnb-4bit
  3. pii-masker-qwen3-4b-lora

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

Zain9989/pii-masker-qwen3-4b-lora
Автор
Zain9989
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

261

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

GeoReVis

GeoReVis
Другое

CoVeR

CoVeR