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

Дообучення (Fine-Tuning) мовної моделі Llama (Meta)

Уявіть: ваша компанія обробляє тисячі юридичних документів. Ви хочете автоматизувати вилучення даних з точністю 95%. GPT-4o справляється, але вартість API зростає з обсягом токенів. Рішення — дообучення Llama 3.1 on-premise. Ви отримуєте файли ваг, розгортаєте модель на своїй інфраструктурі та дообучаєте без обмежень API.

Ми — команда AI/ML інженерів з 5+ років досвіду в fine-tuning відкритих моделей (Transformer, GPT, LLaMA). Надаємо послугу під ключ: від аналізу ваших даних до деплою моделі в production. Оцініть економію — self-hosted інференс на Llama 3.1 8B обходиться в 10–15 разів дешевше за аналогічний за якістю виклик OpenAI API при високих навантаженнях.

Модельний ряд Llama 3.x

Для більшості завдань fine-tuning оптимальний Llama 3.1 8B або 70B. Перший навчається на одній A100 80GB, другий потребує 2–4 GPU.

Чому варто обрати Llama для on-premise розгортання?

На відміну від GPT-4o або Claude, ви отримуєте файли ваг. Можете розгорнути модель на своїй інфраструктурі та дообучати без обмежень API. Це дає повний контроль над даними. За нашими оцінками, self-hosted інференс на Llama 3.1 8B обходиться в 10–15 разів дешевше. Порівняння з аналогічним за якістю викликом OpenAI API. Особливо помітна різниця при високих навантаженнях. Крім того, ми маємо сертифікованих спеціалістів і досвід впровадження в індустріях з жорсткими вимогами до безпеки.

Методи дообучення

Full Fine-Tuning оновлює всі ваги — максимальна якість, але потребує великих ресурсів. LoRA (Low-Rank Adaptation) (Hu et al.) оновлює лише низькорангові адаптери поверх заморожених ваг. QLoRA додатково квантизує базову модель до 4-bit. Для 95% завдань достатньо LoRA або QLoRA: вони дають якість, близьку до повного навчання, при витратах у 5–15%.

Який target_modules обрати для LoRA?

Параметр target_modules визначає, які шари отримають LoRA-адаптери. У Llama 3 архітектура — трансформер з GQA (Grouped Query Attention). Типові цілі:

• q_proj, k_proj, v_proj, o_proj — attention шари (мінімальний набір)
• gate_proj, up_proj, down_proj — MLP шари (додає виразність)
• Всі 6 разом — максимальна якість, більше параметрів адаптера

LoRA rank r визначає розмір адаптера: r=8 дає ~0.1% додаткових параметрів, r=64 — ~0.8%. Для спеціалізації стилю достатньо r=8–16, для складних завдань вилучення знань — r=32–64.

Техстек: TRL + PEFT + Hugging Face

Основний інструментарій — бібліотека trl у парі з peft. Приклад конфігурації 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 конфігурація
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()

Практичний приклад: юридичний асистент

Завдання: дообучити Llama 3.1 8B для аналізу російських арбітражних рішень та вилучення структурованих даних (сторони, предмет спору, рішення суду, сума).

Датасет: 3200 пар (текст рішення → JSON). Дані отримані з публічної бази kad.arbitr.ru з ручною анотацією 20% та синтетичною розміткою GPT-4o для решти (з ручною верифікацією вибірки).

Інфраструктура: одна A100 80GB, навчання 4 години (3 епохи).

Результати:

• F1 вилучення суми позову: 0.58 → 0.91
• Точність визначення ініціатора (позивач/відповідач): 82% → 97%
• Token generation speed: 47 tok/s (vLLM, A100)
• Вартість інференсу vs GPT-4o API: в 12 разів нижче при self-hosted

Інференс дообученої моделі

Після навчання LoRA-адаптер можна:

1. Використовувати окремо (PEFT inference): завантажувати базову модель + адаптер
2. Злити в одну модель (merge_and_unload()): спрощує деплой, прибирає overhead PEFT
3. Квантизувати після merge: GGUF через llama.cpp, AWQ через autoawq, GPTQ — для зниження вимог до VRAM

# Злиття адаптера з базовою моделлю
merged_model = model.merge_and_unload()
merged_model.save_pretrained("./llama3-merged")
tokenizer.save_pretrained("./llama3-merged")

Для продакшн-деплою використовуємо vLLM — він дає PagedAttention та continuous batching, збільшуючи throughput у 2–5× порівняно з наївним інференсом через transformers.

Що входить в роботу

• Підготовка даних (збір, очищення, анотація, аугментація)
• Вибір моделі та методу fine-tuning
• Навчання та валідація (метрики, тести, бейзлайн)
• Злиття адаптера, квантизація та оптимізація інференсу
• Деплой на вашій інфраструктурі (vLLM, TGI, llama.cpp)
• Документація та навчання вашої команди
• Гарантія підтримки 1 місяць після здачі

Терміни та інфраструктура

• Підготовка даних і розмітка: 2–6 тижнів
• Навчання (8B, LoRA, A100): 2–8 годин
• Навчання (70B, QLoRA, 2×A100): 12–48 годин
• Оцінка та ітерації: 1–2 тижні
• Деплой з vLLM/TGI: 3–5 днів

Разом від старту до продакшну: 4–10 тижнів

Як оцінити ефективність дообученої моделі?

Використовуйте метрики залежно від завдання: для генерації — ROUGE, BLEU, F1; для QA — точність, повнота; для інструкцій — human eval або LLM-as-judge. Ми закладаємо етап A/B-тестування: порівнюємо дообучену модель з бейзлайном (API або базова Llama) на репрезентативній вибірці. Замовте консультацію — ми допоможемо визначити метрики для вашого кейсу.

Чому обирають нас

5+ років комерційного досвіду в NLP та Computer Vision. 30+ успішних проєктів fine-tuning для клієнтів з фінтеху, юриспруденції та медицини. Сертифіковані спеціалісти з Hugging Face, PyTorch, Triton Inference Server. Ми працюємо з локальними інсталяціями, гарантуємо конфіденційність даних та надаємо повну документацію.

Зацікавлені? Зв'яжіться з нами, щоб обговорити ваш проєкт та отримати попередню оцінку. Ми допоможемо впровадити Llama у вашу інфраструктуру з максимальною віддачею.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові 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 двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.