Дообучение (Fine-Tuning) Llama: on-premise, LoRA, QLoRA

Дообучение (Fine-Tuning) языковой модели Llama (Meta)

Представьте: ваша компания обрабатывает тысячи юридических документов. Вы хотите автоматизировать извлечение данных с точностью 95%. GPT-4o справляется, но стоимость API растёт с объёмом токенов. Решение — дообучение Llama 3.1 on-premise. Вы получаете файлы весов, разворачиваете модель на своей инфраструктуре и дообучаете без ограничений API.

Мы — команда AI/ML инженеров с 5+ лет опыта в fine-tuning открытых моделей (Transformer, GPT, LLaMA). Предоставляем услугу под ключ: от анализа ваших данных до деплоя модели в production. Оцените экономию — self-hosted инференс на Llama 3.1 8B обходится в 10–15 раз дешевле аналогичного по качеству вызова OpenAI API при высоких нагрузках.

Модельный ряд Llama 3.x

Для большинства задач fine-tuning оптимален Llama 3.1 8B или 70B. Первый обучается на одной A100 80GB, второй требует 2–4 GPU.

Почему стоит выбрать Llama для on-premise развертывания?

В отличие от GPT-4o или Claude, вы получаете файлы весов. Можете развернуть модель на своей инфраструктуре и дообучать без ограничений API. Это даёт полный контроль над данными. По нашим оценкам, self-hosted инференс на Llama 3.1 8B обходится в 10–15 раз дешевле. Сравнение с аналогичным по качеству вызовом OpenAI API. Особенно заметна разница при высоких нагрузках. Кроме того, мы имеем сертифицированных специалистов и опыт внедрения в индустриях с жёсткими требованиями к безопасности.

Методы дообучения

Full Fine-Tuning обновляет все веса — максимальное качество, но требует больших ресурсов. LoRA (Low-Rank Adaptation) (Hu et al., 2021) обновляет только низкоранговые адаптеры поверх замороженных весов. QLoRA дополнительно квантизирует базовую модель до 4-bit. Для 95% задач достаточно LoRA или QLoRA: они дают качество, близкое к полному обучению, при затратах в 5–15%.

Какой target_modules выбрать для LoRA?

Параметр target_modules определяет, какие слои получат LoRA-адаптеры. В Llama 3 архитектура — трансформер с GQA (Grouped Query Attention). Типичные цели:

• q_proj, k_proj, v_proj, o_proj — attention слои (минимальный набор)
• gate_proj, up_proj, down_proj — MLP слои (добавляет выразительность)
• Все 6 вместе — максимальное качество, больше параметров адаптера

LoRA rank r определяет размер адаптера: r=8 даёт ~0.1% дополнительных параметров, r=64 — ~0.8%. Для специализации стиля достаточно r=8–16, для сложных задач извлечения знаний — r=32–64.

Техстек: TRL + PEFT + Hugging Face

Основной инструментарий — библиотека trl в паре с peft. Пример конфигурации QLoRA:

from datasets import load_dataset
from trl import SFTTrainer, SFTConfig
from peft import LoraConfig, get_peft_model
from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
import torch

# QLoRA конфигурация
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16,
)

model = AutoModelForCausalLM.from_pretrained(
    "meta-llama/Meta-Llama-3.1-8B-Instruct",
    quantization_config=bnb_config,
    device_map="auto"
)

lora_config = LoraConfig(
    r=16,
    lora_alpha=32,
    target_modules=["q_proj", "v_proj", "k_proj", "o_proj"],
    lora_dropout=0.05,
    task_type="CAUSAL_LM"
)

model = get_peft_model(model, lora_config)

trainer = SFTTrainer(
    model=model,
    args=SFTConfig(
        output_dir="./llama3-finetuned",
        num_train_epochs=3,
        per_device_train_batch_size=4,
        gradient_accumulation_steps=4,
        learning_rate=2e-4,
        bf16=True,
        logging_steps=10,
    ),
    train_dataset=dataset["train"],
)

trainer.train()

Практический пример: юридический ассистент

Задача: дообучить Llama 3.1 8B для анализа российских арбитражных решений и извлечения структурированных данных (стороны, предмет спора, решение суда, сумма).

Датасет: 3200 пар (текст решения → JSON). Данные получены из публичной базы kad.arbitr.ru с ручной аннотацией 20% и синтетической разметкой GPT-4o для остальных (с ручной верификацией выборки).

Инфраструктура: одна A100 80GB, обучение 4 часа (3 эпохи).

Результаты:

• F1 извлечения суммы иска: 0.58 → 0.91
• Точность определения инициатора (истец/ответчик): 82% → 97%
• Token generation speed: 47 tok/s (vLLM, A100)
• Стоимость инференса vs GPT-4o API: в 12 раз ниже при self-hosted

Инференс дообученной модели

После обучения LoRA-адаптер можно:

1. Использовать отдельно (PEFT inference): загружать базовую модель + адаптер
2. Слить в одну модель (merge_and_unload()): упрощает деплой, убирает overhead PEFT
3. Квантизировать после merge: GGUF через llama.cpp, AWQ через autoawq, GPTQ — для снижения требований к VRAM

# Слияние адаптера с базовой моделью
merged_model = model.merge_and_unload()
merged_model.save_pretrained("./llama3-merged")
tokenizer.save_pretrained("./llama3-merged")

Для продакшн-деплоя используем vLLM — он даёт PagedAttention и continuous batching, увеличивая throughput в 2–5× по сравнению с наивным инференсом через transformers.

Что входит в работу

• Подготовка данных (сбор, очистка, аннотация, аугментация)
• Выбор модели и метода fine-tuning
• Обучение и валидация (метрики, тесты, бейзлайн)
• Слияние адаптера, квантизация и оптимизация инференса
• Деплой на вашей инфраструктуре (vLLM, TGI, llama.cpp)
• Документация и обучение вашей команды
• Гарантия поддержки 1 месяц после сдачи

Сроки и инфраструктура

• Подготовка данных и разметка: 2–6 недель
• Обучение (8B, LoRA, A100): 2–8 часов
• Обучение (70B, QLoRA, 2×A100): 12–48 часов
• Оценка и итерации: 1–2 недели
• Деплой с vLLM/TGI: 3–5 дней

Итого от старта до продакшна: 4–10 недель

Как оценить эффективность дообученной модели?

Используйте метрики в зависимости от задачи: для генерации — ROUGE, BLEU, F1; для QA — точность, полнота; для инструкций — human eval или LLM-as-judge. Мы закладываем этап A/B-тестирования: сравниваем дообученную модель с бейзлайном (API или базовая Llama) на репрезентативной выборке. Закажите консультацию — мы поможем определить метрики для вашего кейса.

Почему выбирают нас

5+ лет коммерческого опыта в NLP и Computer Vision. 30+ успешных проектов fine-tuning для клиентов из финтеха, юриспруденции и медицины. Сертифицированные специалисты по Hugging Face, PyTorch, Triton Inference Server. Мы работаем с локальными инсталляциями, гарантируем конфиденциальность данных и предоставляем полную документацию.

Заинтересованы? Свяжитесь с нами, чтобы обсудить ваш проект и получить предварительную оценку. Мы поможем внедрить Llama в вашу инфраструктуру с максимальной отдачей.

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.