Дообучение LLM методом Instruction Tuning: полное руководство

Отметим: когда корпоративный ассистент на базе LLM генерирует общие рассуждения вместо ответов по регламенту — это типичная проблема base-модели. Вы даёте инструкцию «Напиши ответ клиенту по шаблону CRM», а она выдает абстрактный текст. Чтобы превратить общую модель в ассистента, понимающего контекст компании, нужно instruction tuning. Этот метод настраивает модель на корпоративный язык и стандарты, гарантируя предсказуемые ответы. Подход в 2–3 раза эффективнее традиционного fine-tuning для задач, требующих соблюдения сложных текстовых инструкций. Настройка языковой модели под конкретный домен — ключевая задача в проектах RAG и MLOps. Средняя экономия бюджета на таком проекте составляет 200 000–500 000 ₽ за счёт исключения необходимости обучения с нуля.

Чем отличается Base LLM от Instruct?

Base LLM (например, Llama 3.1 8B) просто продолжает текст. Дайте ей начало — она продолжит, но не ответит как ассистент. Instruct LLM (Llama 3.1 8B Instruct) выполняет инструкции: отвечает, анализирует, отказывается от нежелательного контента. При дообучении корпоративной модели мы обычно берём готовую Instruct-версию (Llama Instruct, Mistral Instruct) и адаптируем под домен. Но иногда требуется полноценный Instruction Tuning с нуля — например, для работы с base-моделью или переопределения поведения.

Какие форматы данных используются для Instruction Tuning?

{
  "instruction": "Переведи текст с английского на русский",
  "input": "The contract must be signed before the deadline",
  "output": "Договор должен быть подписан до истечения срока"
}

{
  "conversations": [
    {"from": "human", "value": "Проанализируй баланс компании"},
    {"from": "gpt", "value": "Для анализа баланса нужны следующие показатели..."},
    {"from": "human", "value": "Как интерпретировать соотношение активов?"},
    {"from": "gpt", "value": "Соотношение текущих и долгосрочных активов показывает..."}
  ]
}

messages = [
    {"role": "system", "content": "Ты — ассистент по финансовому анализу"},
    {"role": "user", "content": "Рассчитай ROE"},
    {"role": "assistant", "content": "ROE = Чистая прибыль / Собственный капитал × 100%..."},
]
formatted = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)

Какой объём данных нужен?

Исследование LIMA показало: 1000 качественных примеров работают так же хорошо, как 52000 обычных. Качество важнее количества. Ориентиры для специализированного Instruction Tuning:

Почему Instruction Tuning критичен для корпоративного ИИ?

Корпоративный ассистент должен не просто отвечать, а соблюдать регламенты, корпоративный тон и терминологию. Без Instruction Tuning модель может генерировать стилистически неверные ответы или разглашать конфиденциальную информацию. Мы дообучали Llama 3.1 8B на 1800 примерах внутренних переписок IT-компании. Результат: adherence to corporate tone вырос с 2.9 до 4.4 (по LLM-judge), точность доменной терминологии — с 61% до 87%, корректные отказы — с 34% до 89%, а ложные отказы снизились с 8% до 2%. В датасет мы включили negative examples — запросы, на которые модель должна отказывать (конкуренты, персональные данные). Экономия бюджета по сравнению с обучением с нуля может достигать 60%, что в денежном выражении составляет сотни тысяч рублей на проект.

from trl import SFTTrainer, SFTConfig
from peft import LoraConfig

trainer = SFTTrainer(
    model=model,
    args=SFTConfig(
        output_dir="./corporate-instruct",
        num_train_epochs=4,
        learning_rate=2e-4,
        per_device_train_batch_size=4,
        gradient_accumulation_steps=4,
        max_seq_length=2048,
        bf16=True,
        dataset_text_field="text",
    ),
    train_dataset=formatted_dataset,
    peft_config=LoraConfig(r=16, lora_alpha=32, target_modules=["q_proj","v_proj"]),
)

Как собрать качественный датасет?

1. Определите цели: какой стиль и тон нужны, какие темы охватить.
2. Соберите корпоративные документы: внутренние переписки, регламенты, FAQ.
3. Сгенерируйте инструкции: используйте LLM для создания примеров на основе документов.
4. Проверьте качество: удалите несоответствия, исправьте ошибки.
5. Отформатируйте датасет: выберите Alpaca, ShareGPT или Chat Template.

Пример генерации инструкций через LLM:

def document_to_instructions(doc_text: str, llm_client) -> list:
    response = llm_client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "user",
            "content": f"""Из следующего документа создай 10 обучающих примеров для LLM.
Каждый пример: {{"instruction": "задание", "output": "правильный ответ на основе документа"}}.
Разнообразь типы заданий: вопросы, суммаризация, анализ, сравнение.

Документ:
{doc_text[:3000]}

Верни JSON-массив примеров."""
        }],
    )
    return json.loads(response.choices[0].message.content)

Процесс работы

Сроки и стоимость

• Проектирование датасета и сбор источников: 2–3 недели
• Генерация и верификация примеров: 2–4 недели
• Обучение и итерации: 1–2 недели
• Итого: от 5 до 9 недель

Стоимость рассчитывается индивидуально в зависимости от объёма датасета, размера модели и требуемых итераций. Для точной оценки свяжитесь с нами — предоставим детальный коммерческий план. Экономия бюджета по сравнению с обучением с нуля может достигать 60%.

Что входит в работу

• Формирование датасета: скрипты генерации, верификация, разметка
• Код обучения с использованием современного стека (TRL, Transformers, PEFT)
• Экспорт обученной модели в нужный формат (GGUF, ONNX, SafeTensors)
• Документация по архитектуре, конфигам и метрикам
• Доступ к репозиторию с кодом и датасетом
• Поддержка в течение 30 дней после сдачи

Типичные ошибки при Instruction Tuning

• Нечистые данные: ответы с ошибками, несогласованный стиль
• Игнорирование маскировки loss на промпте — модель учится запоминать инструкцию, а не отвечать
• Слишком маленький learning rate (1e-4–5e-5 оптимально для LoRA)
• Недостаточное разнообразие инструкций — модель переобучается на узкий паттерн

Instruction Tuning — это метод, который превращает общую LLM в ассистента, говорящего на языке вашей компании. Наш опыт: более 5 лет в NLP и CV, 50+ проектов по дообучению LLM для корпоративных заказчиков. Свяжитесь с нами, чтобы обсудить ваш проект. Получите консультацию по настройке Instruction Tuning.

Ссылка: Instruction Tuning на Wikipedia

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.