Дообучение (Fine-Tuning) языковой модели GigaChat

Мы часто видим проекты, где базовая GigaChat выдаёт общие ответы на корпоративные запросы. Fine-tuning решает эту проблему: модель начинает понимать внутренние регламенты, терминологию и контекст. Но процесс требует глубокого понимания архитектуры и ограничений экосистемы Сбера. Например, одна страховая компания попросила нас адаптировать ассистента под свою линейку продуктов. Базовая модель путала условия КАСКО и ОСАГО, что приводило к ошибкам в рекомендациях. После дообучения точность ответов достигла 95%. Но это потребовало тщательной подготовки: разметки 1200 диалогов, балансировки тематик и трёх итераций обучения. Мы используем LoRA-адаптеры для экономии ресурсов — это снижает стоимость GPU-часов в 2–3 раза по сравнению с полным fine-tuning. Бюджет проекта рассчитывается индивидуально в зависимости от объёма данных.

Согласно документации Сбер Cloud, fine-tuning позволяет адаптировать модель под конкретную предметную область.

На примере банковского ассистента разберём, как подготовить данные, запустить обучение и интегрировать дообученную модель. Наши инженеры имеют 10+ лет опыта в NLP и MLOps, что гарантирует результат.

Почему стоит дообучать GigaChat для корпоративных задач?

Стандартная модель даёт общие ответы. Fine-tuning закрывает три ключевые проблемы: контекстная точность (модель усваивает внутренние регламенты и термины компании, что критично для банков с их нормативной базой), снижение галлюцинаций (дообучение на ваших данных уменьшает вероятность выдуманных фактов — по нашим данным, частота ошибок падает на 30–50%) и безопасность (все данные остаются в контуре Сбер Cloud, что соответствует требованиям 152-ФЗ для банков и госструктур).

Сравним с альтернативами: YandexGPT тоже доступен в корпоративном fine-tuning, но GigaChat даёт более глубокую интеграцию с экосистемой Сбера. Llama при self-hosted требует самостоятельной инфраструктуры, но не привязан к вендору.

Как подготовить данные для fine-tuning GigaChat?

GigaChat API доступен через платформу Сбер Cloud. Для fine-tuning нужен корпоративный договор и тариф Enterprise. Аутентификация — через OAuth 2.0:

import requests
import base64

credentials = base64.b64encode(
    f"{client_id}:{client_secret}".encode()
).decode()

response = requests.post(
    "https://ngw.devices.sberbank.ru:9443/api/v2/oauth",
    headers={
        "Authorization": f"Basic {credentials}",
        "RqUID": "unique-request-id",
    },
    data={"scope": "GIGACHAT_API_CORP"}
)
access_token = response.json()["access_token"]

Полученный токен используется для всех последующих запросов. Для обучения необходимо загрузить датасет в формате JSON Lines, где каждый пример — диалог с ролями system, user, assistant:

{
  "messages": [
    {
      "role": "system",
      "content": "Ты — ассистент страховой компании. Помогаешь клиентам разобраться с условиями страховых продуктов."
    },
    {
      "role": "user",
      "content": "Что входит в страховое покрытие по КАСКО при ДТП по вине третьего лица?"
    },
    {
      "role": "assistant",
      "content": "При ДТП по вине третьего лица по полису КАСКО покрываются: ущерб от столкновения независимо от виновника, стоимость восстановительного ремонта..."
    }
  ]
}

Для качественного обучения требуется минимум 1000 диалогов, лучше 3000+. Важно деперсонализировать данные, сбалансировать тематики (не более 15% на одну категорию) и разметить сложные кейсы.

Практический пример: ассистент для банковского чат-бота

Задача: дообучение GigaChat Pro для обработки входящих обращений в розничный банк — ответы на вопросы по продуктам, маршрутизация сложных запросов к операторам.

Датасет: 3500 диалогов из реальной переписки (обезличенной), охватывающих 45 тематик (кредиты, вклады, карты, переводы, споры по операциям).

Этапы подготовки:

1. Извлечение диалогов из CRM.
2. Деперсонализация.
3. Фильтрация диалогов с негативным исходом.
4. Разметка сложных кейсов.
5. Балансировка по тематикам.

Результаты:

• CSAT (удовлетворённость клиента ответом бота): с 3.2 до 4.1 из 5.
• Процент корректных маршрутизаций: с 71% до 94%.
• Снижение escalation rate: с 61% до 38%.
• Среднее время диалога уменьшилось на 22%.

Какие ограничения учесть?

Закрытые веса: как и GPT-4o, вы получаете hosted endpoint без доступа к весам. Инфраструктурная привязка: только Сбер Cloud, нет on-premise деплоя. Корпоративный порог: fine-tuning недоступен на бесплатных тарифах. Размер контекста: 32K токенов — меньше, чем у Qwen2.5 или Claude 3.5 Sonnet.

Сравнение со смежными решениями

Что входит в проект

Мы предлагаем полный цикл работ:

• Аудит задачи — оцениваем данные, формулируем метрики, определяем план обучения.
• Подготовка датасета — деперсонализация, разметка, балансировка.
• Запуск fine-tuning — итеративное обучение с мониторингом метрик.
• Тестирование — A/B-тестирование на реальных диалогах.
• Интеграция и поддержка — настройка API endpoint, документация, обучение операторов.

Мы гарантируем качество и предоставляем сертификаты на выполненные работы. Закажите бесплатный аудит ваших данных — мы оценим возможность fine-tuning за 2 дня. Бюджет проекта рассчитывается индивидуально. Свяжитесь с нами для консультации.

Сроки проекта

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.