Дообучение (Fine-Tuning) языковой модели Gemini (Google)

Дообучение (Fine-Tuning) языковой модели Gemini (Google)

Мы предоставляем fine-tuning для моделей семейства Gemini через Vertex AI и Google AI Studio. Наш опыт включает настройку как для Gemini 1.5 Flash и 1.5 Pro, так и для более новых версий Gemini 2.x. Vertex AI — production-grade платформа с MLOps-инфраструктурой: управление версиями, мониторинг и интеграция с Google Cloud. Мы гарантируем качество благодаря строгой валидации данных и оптимизации гиперпараметров. Получите консультацию для оценки вашего проекта — мы составим детальный план дообучения с учётом ваших данных и требований к latency.

Fine-tuning доступен двумя способами: через Google AI Studio для быстрых экспериментов и через Vertex AI Supervised Fine-Tuning для production-нагрузок. Первый подходит для прототипирования с малым датасетом, второй — для enterprise-проектов с полным контролем гиперпараметров и SLA. Разница в уровне управления критична: на Vertex AI вы управляете версиями моделей через Model Registry, а мониторинг метрик в реальном времени позволяет сразу отловить дрейф данных.

Как подготовить данные для fine-tuning Gemini?

Gemini fine-tuning принимает данные в формате JSONL, где каждая строка — один пример разговора. Минимальный объём: 100 примеров. Рекомендуемый: 500–5000. Максимальный размер датасета: 1 ГБ. Пример для задачи классификации:

{
  "contents": [
    {
      "role": "user",
      "parts": [{"text": "Классифицируй обращение клиента по категории: 'Не могу войти в личный кабинет'"}]
    },
    {
      "role": "model",
      "parts": [{"text": "{\"category\": \"authentication\", \"priority\": \"high\", \"department\": \"tech_support\"}"}]
    }
  ]
}

Важно учитывать баланс классов и избегать дубликатов. Мы проводим EDA-анализ датасета перед обучением — это предотвращает перекос в сторону частых категорий. Для мультимодальных задач добавляем изображения в формате base64.

Почему Vertex AI оптимален для продакшена?

Vertex AI Supervised Fine-Tuning даёт полный контроль: выбор гиперпараметров, версионирование через Model Registry, интеграция с Vertex AI Pipelines. В отличие от Google AI Studio, здесь доступны SLA и мониторинг. На практике это означает стабильное качество при масштабировании. Сравнение платформ по ключевым критериям:

Vertex AI обеспечивает в 5 раз более детальный мониторинг метрик обучения и инференса, что критично для compliance-требований.

Как запустить fine-tuning с помощью Vertex AI SDK?

import vertexai
from vertexai.tuning import sft

vertexai.init(project="my-project", location="us-central1")

sft_tuning_job = sft.train(
    source_model="gemini-1.5-flash-002",
    train_dataset="gs://my-bucket/train.jsonl",
    validation_dataset="gs://my-bucket/val.jsonl",
    epochs=5,
    adapter_size=4,  # LoRA rank
    learning_rate_multiplier=1.0,
    tuned_model_display_name="gemini-flash-support-classifier"
)

print(sft_tuning_job.tuned_model_endpoint_name)

Использование LoRA-адаптеров (adapter_size — rank) значительно снижает затраты по сравнению с полным fine-tuning. Время обучения: от 30 минут до нескольких часов. Подробнее в документации Vertex AI.

Мультимодальный fine-tuning: работа с изображениями

Ключевое преимущество Gemini — нативная мультимодальность. Fine-tuning поддерживает примеры с изображениями:

{
  "contents": [
    {
      "role": "user",
      "parts": [
        {"inline_data": {"mime_type": "image/jpeg", "data": "...base64..."}},
        {"text": "Определи дефект на изображении детали"}
      ]
    },
    {
      "role": "model",
      "parts": [{"text": "{\"defect_type\": \"crack\", \"location\": \"top_left\", \"severity\": \"critical\"}"}]
    }
  ]
}

Это открывает задачи инспекции качества, анализа медицинских снимков, классификации документов по визуальным признакам. Для каждого изображения указываем mime_type и base64-строку.

Практический кейс: промышленная инспекция сварных швов

Задача: классификация дефектов сварных швов по фотографиям. Датасет: 2400 изображений с разметкой (7 классов). До fine-tuning (Gemini 1.5 Flash с детальным промптом): accuracy 67%, высокий уровень ложных срабатываний на класс «норма». После fine-tuning (5 эпох, adapter_size=8): accuracy 91%, F1 по критическим дефектам 0.94. Время инференса без изменений (~800мс на изображение). Прирост accuracy составил 24 процентных пункта, что существенно снижает количество ручных проверок.

Как оценить качество дообученной модели?

После обучения мы проводим A/B-тестирование: сравниваем базовую модель с fine-tuned на отложенной выборке. Метрики: accuracy, precision, recall, F1 — в зависимости от задачи. Для задач генерации используем BLEU, ROUGE или человеческую оценку. Также измеряем latency p99 и token throughput на Vertex AI Endpoint. Результаты фиксируем в отчёте, который вы получаете вместе с моделью.

Что входит в работу?

• Анализ и подготовка датасета: очистка, балансировка классов, разметка.
• Обучение модели: подбор гиперпараметров, LoRA-рангов, мониторинг метрик.
• Тестирование: оценка на отложенной выборке, A/B-тестирование в продакшене.
• Интеграция: развёртывание через Vertex AI Endpoint, настройка мониторинга.
• Документация: отчёт о метриках, руководство по эксплуатации.

Сроки проекта

Мы гарантируем прозрачность на каждом этапе. Получите консультацию — оценим ваш проект и предложим оптимальный план.

Источник: официальная документация Google Vertex AI

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.