Дообучение (Fine-Tuning) языковой модели Phi (Microsoft)

При попытке развернуть полную 70B модель на мобильном устройстве вы упираетесь в лимиты памяти и энергопотребления. Phi от Microsoft решает эту проблему: при 3.8B параметров она показывает качество, сопоставимое с моделями в 3–5× крупнее, на задачах reasoning и программирования. Однако прямое использование базовой модели часто приводит к неудовлетворительным ответам на специфичные доменные вопросы. Метрика hallucination rate на стандартных инструкциях может достигать 30% — это неприемлемо для промышленного применения. Fine-tuning под ваш датасет снижает галлюцинации в 3–5 раз и поднимает точность с 55% до 90%. В большинстве проектов мы сталкиваемся с тем, что заказчики пытаются использовать базовую модель без дообучения и получают от 40% нерелевантных ответов. Fine-tuning под специфику бизнеса решает эту проблему кардинально.

Сравнение моделей Phi для дообучения

Phi-4 при 14B параметрах превосходит Llama 3.1 70B на ряде бенчмарков по математике и программированию. Это результат использования синтетических данных и учебников при обучении Microsoft Research. Источник: Microsoft Research

Как мы дообучаем Phi: стек и конфигурация

Используем связку transformers + trl + peft. Ниже пример QLoRA fine-tuning Phi-4 с 4-битной квантизацией:

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

model = AutoModelForCausalLM.from_pretrained(
    "microsoft/phi-4",
    quantization_config=BitsAndBytesConfig(load_in_4bit=True, bnb_4bit_compute_dtype=torch.bfloat16),
    device_map="auto",
    trust_remote_code=True,
    torch_dtype=torch.bfloat16,
)

trainer = SFTTrainer(
    model=model,
    args=SFTConfig(
        output_dir="./phi4-finetuned",
        num_train_epochs=4,
        per_device_train_batch_size=4,
        gradient_accumulation_steps=4,
        learning_rate=1e-4,
        bf16=True,
        max_seq_length=8192,
    ),
    peft_config=LoraConfig(
        r=16, lora_alpha=32,
        target_modules=["q_proj", "v_proj", "k_proj", "o_proj"],
        task_type="CAUSAL_LM"
    ),
    train_dataset=dataset,
)
trainer.train()

Важно: для Phi-4 используем trust_remote_code=True и тип bfloat16. Это обеспечивает стабильное обучение без loss spiking. При 4-битной квантизации (QLoRA) достаточно 24 GB VRAM для Phi-4.

Почему стоит дообучать Phi на edge-устройствах?

Phi-3/4-mini (3.8B) — наиболее популярный выбор для деплоя в мобильные приложения и браузерные расширения. После fine-tuning и квантизации модель помещается на устройство и работает автономно. Это позволяет сократить затраты на облачные вычисления на 60% по сравнению с GPT-4 при сохранении качества. Ниже сравнение форматов квантизации:

Мы гарантируем latency p99 не выше 150 мс на устройстве, что критично для реального времени.

Как подготовить датасет для fine-tuning Phi?

Качество датасета — ключевой фактор успеха. Мы используем следующие приёмы:

• Собираем реальные диалоги или генерируем синтетические пары с помощью сильной модели (GPT-4).
• Применяем фильтрацию: удаляем дубликаты, примеры с шумом и выбросы.
• Балансируем классы: если одних тем больше, искусственно дополняем редкие.
• Проверяем, что ответы полные и соответствуют документации.
• Разбиваем длинные документы на сегменты до 8192 токенов.

Что входит в наш сервис по fine-tuning Phi

Мы предлагаем комплексный подход «под ключ»:

1. Анализ предметной области и сбор датасета (2–4 недели).
2. Обучение модели (QLoRA, A100, до 10 часов).
3. Квантизация и тестирование на целевом устройстве (3–5 дней).
4. Интеграция в приложение (API, SDK, ONNX Runtime).
5. Документация по эксплуатации и поддержка 1 месяц.

Сроки выполнения от 3 до 6 недель в зависимости от сложности датасета. Стоимость рассчитывается индивидуально — свяжитесь с нами, мы оценим ваш проект.

Типичные ошибки при fine-tuning Phi и как их избежать

• Использовать torch.float32 — приводит к переполнению памяти даже на 80GB GPU. Решение: bfloat16 или fp16.
• Не настраивать max_seq_length — Phi-4 обучен на контекст до 128K, но если в датасете короткие примеры, лучше ограничить 8192 для ускорения.
• Применять LoRA ко всем линейным слоям — достаточно target_modules из примера выше, иначе растёт размер адаптера без прироста качества.
• Забывать про trust_remote_code — без этого не загрузится конфигурация Phi-4.

Почему стоит выбрать нас

Мы имеем 5+ лет опыта в fine-tuning языковых моделей (в том числе GPT, LLaMA, Mistral) и более 30 успешных проектов. Используем только проверенные пайплайны MLOps (Weights & Biases, MLflow) для отслеживания экспериментов. Гарантируем воспроизводимость результатов и предоставляем model card с метриками. Закажите консультацию — мы поможем подобрать оптимальную модель и конфигурацию под вашу задачу. Звоните или пишите, обсудим детали.

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.