PEFT дообучение LLM: LoRA, QLoRA, AdaLoRA

Проблема: LLM не подходит под вашу задачу?

Вы обучили Llama 3.1 8B на общих данных, но она некачественно отвечает на вопросы по вашей юридической документации. Полный fine-tuning требует 80 ГБ VRAM и нескольких A100 — ресурсы есть не у всех. Parameter-Efficient Fine-Tuning (PEFT) решает эту проблему: дообучаются лишь 0.1–5% параметров, а базовая модель остаётся замороженной. Мы используем PEFT, чтобы адаптировать любую LLM (от LLaMA до Mistral) под вашу задачу — классификацию, генерацию, RAG — без дополнительных GPU.

Наш опыт в дообучении LLM — 5+ лет, сотни проектов для клиентов из FinTech и LegalTech. Гарантируем стабильную точность и оптимизацию инференса.

Какие проблемы решает PEFT?

• Нехватка GPU-памяти. Полный fine-tuning модели 7B требует ~56 ГБ VRAM с Adam. LoRA с рангом 16 сокращает до ~18 ГБ, QLoRA (4-bit) — до 9 ГБ. Одна карта A100 вместо кластера.
• Долгое обучение. Полный fine-tuning Llama 3.1 8B — 8 часов на 4×A100. LoRA r=16 — 55 минут на 1×A100. Разница в 8–10 раз.
• Ухудшение обобщающей способности. Полный fine-tuning часто вызывает катастрофическое забывание. PEFT сохраняет базовые знания, дообучая только адаптацию.

Какой метод PEFT выбрать для вашей задачи?

Выбор зависит от объёма данных, ресурсов и требований к латентности. Сводная таблица:

Отметим: как отмечено в официальной документации, PEFT позволяет сократить ресурсы на 90% (Hugging Face PEFT docs).

LoRA: золотой стандарт PEFT

LoRA (Low-Rank Adaptation) добавляет в слои attention матрицы низкого ранга (r=8–16). После обучения они сливаются с базовыми весами — задержка инференса не увеличивается. Пример конфигурации:

from peft import LoraConfig, get_peft_model

config = LoraConfig(
    r=16,
    lora_alpha=32,
    target_modules=["q_proj", "v_proj"],
    task_type="CAUSAL_LM",
)
model = get_peft_model(model, config)

На задаче классификации тональности финансовых новостей (1200 примеров, модель Llama 3.1 8B) LoRA r=16 достигла accuracy 0.91 против 0.74 у 5-shot без дообучения. Полный fine-tuning дал 0.93, но занял в 8 раз больше времени.

AdaLoRA: адаптивный ранг для сложных случаев

AdaLoRA автоматически распределяет бюджет параметров между слоями, выделяя больший ранг более важным. Полезна, когда неизвестно, какие слои критичны для задачи.

from peft import AdaLoraConfig, get_peft_model

config = AdaLoraConfig(
    init_r=12,
    target_r=8,
    beta1=0.85,
    beta2=0.85,
    deltaT=10,
    lora_alpha=32,
    target_modules=["q_proj", "v_proj", "k_proj", "o_proj"],
    task_type="CAUSAL_LM",
)
model = get_peft_model(model, config)

Prefix Tuning и IA³: когда данных очень мало

Prefix Tuning добавляет обучаемые виртуальные токены (20–100), IA³ — масштабирующие векторы. Оба метода требуют <0.1% параметров и работают от 50–200 примеров. LoRA при 500+ примерах превосходит их в 2–3 раза по точности.

from peft import PrefixTuningConfig

config = PrefixTuningConfig(
    task_type="CAUSAL_LM",
    num_virtual_tokens=20,
    prefix_projection=True,
)
model = get_peft_model(model, config)

Как мы дообучали Llama 3.1 для анализа тональности финансовых новостей?

Задача: классификация тональности (Positive/Negative/Neutral) по 1200 текстам. Базовая модель — Llama 3.1 8B Instruct.

Итог: LoRA r=16 — оптимальный выбор по соотношению точность/ресурсы. QLoRA даёт сопоставимую точность при вдвое меньшем VRAM.

Управление несколькими адаптерами через PEFT

Библиотека PEFT позволяет загружать и переключать адаптеры в одной базовой модели:

from peft import PeftModel

base_model = AutoModelForCausalLM.from_pretrained("meta-llama/Meta-Llama-3.1-8B-Instruct")
model = PeftModel.from_pretrained(base_model, "./adapter-legal", adapter_name="legal")
model.load_adapter("./adapter-finance", adapter_name="finance")
model.load_adapter("./adapter-medical", adapter_name="medical")

model.set_adapter("legal")
output_legal = model.generate(...)

Это архитектурный паттерн «один базовый инстанс — несколько специализаций», снижающий расход памяти в 5 раз.

Что входит в работу

• Анализ вашей задачи и подбор метода PEFT.
• Подготовка и разметка датасета (при необходимости).
• Обучение с мониторингом метрик (loss, accuracy, F1).
• Тестирование на отложенной выборке, сравнение с бейзлайном.
• Интеграция адаптера в ваш пайплайн (Hugging Face, SageMaker, Triton).
• Документация и обучение команды.
• Пост-обучение поддержка и донастройка при изменении данных.

Сроки

• Выбор метода PEFT и эксперименты: 3–7 дней.
• Подготовка данных: 2–4 недели.
• Обучение и сравнение методов: 1–2 недели.
• Итого: 3–6 недель. На этапе консультации уточним сроки под ваш проект.

Свяжитесь с нами для бесплатного анализа вашей задачи — мы подберем оптимальный метод PEFT и предложим детальный план дообучения. Закажите консультацию, чтобы получить индивидуальный план.

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.