Качество дообученной модели: метрики, LLM-as-judge, эксперты

После каждой итерации fine-tuning встаёт вопрос: стало ли лучше? Без структурированной системы метрик легко попасть в ловушку — модель может переобучиться, потерять общие знания или деградировать на краевых случаях. Мы видели проекты, где команда делала 15+ итераций «на глаз», пока не выстроила evaluation pipeline. Наш подход — иерархия метрик от быстрых автоматических до дорогой человеческой оценки — позволяет остановиться в нужный момент и гарантировать качество.

Почему важна комплексная оценка дообученной модели?

Одна метрика не даёт полной картины. BLEU может быть высоким, а модель — галлюцинировать факты. Perplexity может падать, а полезность ответов — снижаться. Только комбинация автоматических метрик, LLM-as-judge и человеческой оценки показывает реальное качество дообученной нейросети. Мы используем этот подход во всех проектах уже более 5 лет — накопили портфолио из 50+ fine-tuning проектов.

Иерархия метрик оценки

Уровень 1: Автоматические метрики

Быстрые, дешёвые, работают без человека. Дают грубую оценку, но незаменимы для быстрых итераций.

Уровень 2: LLM-as-judge

Сильная модель (GPT-4o, Claude 3.5) оценивает ответы тестируемой модели. Хорошо коррелирует с человеческой оценкой при правильном промпте.

Уровень 3: Человеческая оценка

Золотой стандарт. Дорого, но необходимо для финальной валидации и калибровки нижних уровней. Обычно 200–500 примеров достаточно.

Сравнение типов метрик:

Как LLM-as-judge дополняет автоматические метрики?

Автоматические метрики (BLEU, ROUGE) измеряют только поверхностное совпадение с референсом. LLM-as-judge оценивает семантику: точность фактов, полноту, логику. В одном кейсе базовая Llama 3.1 8B показала BLEU-4=0.18, а после fine-tuning — 0.39, но LLM-судья выявил, что модель начала выдумывать юридические статьи. Без судьи это бы пропустили. LLM-as-judge коррелирует с человеческой оценкой на 85%, что в 1.5 раза выше, чем у автоматических метрик. Кроме того, LLM-as-judge важен для оценки генерации текста, где автоматические метрики бессильны.

Практическая реализация LLM-as-judge

from openai import OpenAI

JUDGE_PROMPT = """Ты — строгий эксперт, оценивающий качество ответов AI-ассистента.

Вопрос: {question}

Ответ ассистента: {answer}

Референсный ответ: {reference}

Оцени ответ по критериям (каждый 1–5):
1. Фактическая точность
2. Полнота охвата темы
3. Структурированность
4. Соответствие стилю

Верни JSON: {{"accuracy": X, "completeness": X, "structure": X, "style": X, "overall": X, "reasoning": "..."}}"""

def llm_judge(question: str, answer: str, reference: str, client: OpenAI) -> dict:
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "user",
            "content": JUDGE_PROMPT.format(question=question, answer=answer, reference=reference)
        }],
        response_format={"type": "json_object"},
        temperature=0.1
    )
    return json.loads(response.choices[0].message.content)

Автоматические метрики: реализация в коде

Ниже — пример вычисления BLEU и ROUGE для пайплайна оценки. Код можно использовать как шаблон.

from nltk.translate.bleu_score import corpus_bleu, SmoothingFunction
from rouge_score import rouge_scorer

references = [[ref.split()] for ref in reference_list]
hypotheses = [hyp.split() for hyp in hypothesis_list]

bleu_4 = corpus_bleu(references, hypotheses,
    weights=(0.25, 0.25, 0.25, 0.25),
    smoothing_function=SmoothingFunction().method1)

scorer = rouge_scorer.RougeScorer(['rouge1','rouge2','rougeL'], use_stemmer=True)
rouge_scores = [scorer.score(ref, hyp) for ref, hyp in zip(reference_list, hypothesis_list)]

Perplexity — метрика уверенности модели

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

def compute_perplexity(model, tokenizer, texts: list[str]) -> float:
    total_loss = 0
    total_tokens = 0
    model.eval()
    with torch.no_grad():
        for text in texts:
            encodings = tokenizer(text, return_tensors="pt").to(model.device)
            outputs = model(**encodings, labels=encodings["input_ids"])
            total_loss += outputs.loss.item() * encodings["input_ids"].shape[1]
            total_tokens += encodings["input_ids"].shape[1]
    avg_loss = total_loss / total_tokens
    return torch.exp(torch.tensor(avg_loss)).item()

Классификация и извлечение — оцениваем через F1 и accuracy

from sklearn.metrics import classification_report, f1_score

def evaluate_classification(model_outputs: list, ground_truth: list) -> dict:
    predictions = []
    for output in model_outputs:
        try:
            pred = json.loads(output)["category"]
        except:
            pred = "parse_error"
        predictions.append(pred)
    report = classification_report(ground_truth, predictions, output_dict=True)
    return {
        "macro_f1": report["macro avg"]["f1-score"],
        "weighted_f1": report["weighted avg"]["f1-score"],
        "accuracy": report["accuracy"],
        "per_class": {k: v for k, v in report.items() if isinstance(v, dict) and k not in ["macro avg", "weighted avg"]}
    }

Практический пример: комплексная оценка fine-tuned модели

Базовая модель: Llama 3.1 8B Instruct. Fine-tuning: QLoRA r=16, 2000 примеров юридических документов.

Perplexity на MMLU выросла на 11% — умеренное катастрофическое забывание, но для узкого юридического use-case это приемлемо. Решение: добавить 10% общих данных в следующий раунд.

Что входит в нашу работу по оценке модели

• Разработка кастомного evaluation pipeline под вашу задачу (включая скрипты, конфиги и документацию)
• Настройка автоматических метрик (BLEU, ROUGE, perplexity, F1, accuracy)
• Интеграция LLM-as-judge с выбором модели-судьи и калибровкой промпта
• Проведение человеческой оценки (привлечение экспертов, сбор разметки)
• Построение дашборда метрик и мониторинга (MLflow, Weights & Biases)
• Финальный отчёт с рекомендациями по улучшению модели
• Обучение вашей команды работе с пайплайном

Начните с evaluation pipeline — свяжитесь с нами для аудита вашей модели. Экономия на лишних итерациях может достигать 40% бюджета проекта.

Сроки и процесс оценки

1. Анализ задачи и метрик — 1–2 дня
2. Разработка pipeline и интеграция — 3–5 дней
3. Автоматическая оценка — несколько часов
4. LLM-as-judge (до 1000 примеров) — 1–2 дня
5. Человеческая оценка — 1 неделя
6. Отчёт и рекомендации — 1–2 дня

Итого на одну итерацию fine-tuning — 1–2 недели. При комплексном проекте с несколькими раундами — от 3 недель.

Мониторинг после деплоя

import mlflow

def log_inference_quality(prompt, response, user_feedback):
    with mlflow.start_run(run_name="production-monitoring"):
        mlflow.log_metrics({
            "response_length": len(response.split()),
            "refusal_detected": int("не могу" in response.lower()),
            "user_rating": user_feedback.get("rating", -1),
        })

Мониторинг в продакшене обязателен — мы гарантируем, что модель не деградирует со временем. Сертифицированные инженеры нашей команды сопровождают проект на всём жизненном цикле. Наша команда имеет 5+ лет опыта в fine-tuning и выполнила более 50 проектов.

Если вы хотите внедрить системную оценку, свяжитесь с нами. Мы поможем выстроить пайплайн и сэкономить на лишних итерациях. Закажите консультацию: оценим ваш проект за 2 дня.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.