Доопрацювання LLM методом Full Fine-Tuning

Доопрацювання LLM методом Full Fine-Tuning

На одному з проєктів для фінансового регулятора LoRA з рангом 64 дав F1 лише 0,79 — розрив з цільовими метриками залишався критичним. Тоді ми застосували повне доопрацювання всіх ваг моделі (Full Fine-Tuning) і отримали F1 0,91. Цей метод оновлює всі параметри мовної моделі, а не лише адаптерні шари. Він дає найвищу якість адаптації, але потребує серйозних обчислювальних ресурсів та акуратного управління навчанням. Ми проводимо Full Fine-Tuning під ключ, надаючи повний цикл: від аудиту даних до деплою оптимізованої моделі. У цій статті розберемо, коли варто обирати повне доопрацювання, як налаштувати розподілене навчання з DeepSpeed ZeRO та FSDP, і на що звернути увагу, щоб уникнути катастрофічного забування.

Коли Full Fine-Tuning виправданий

Full FT обирають не за замовчуванням. Підстави:

• Недостатня якість LoRA/QLoRA: якщо після оптимізації LoRA-параметрів розрив з базлайном залишається суттєвим, повне доопрацювання може дати додаткові 3–8% за метриками.
• Принципово новий домен: коли модель потрібно навчити на нотації чи мові, що суттєво відрізняються від передтренованого розподілу (спеціальні символи, формальні граматики, унікальна термінологія).
• Continual Pre-training: додавання нового знання в модель через продовження передтренування, а потім Instruction Tuning.
• Зміна архітектурних параметрів: розширення словника, зміна довжини контексту через RoPE-масштабування.

Чому повне доопрацювання ефективніше за LoRA для складних доменів?

Причина — оновлення всіх ваг дозволяє моделі адаптувати свої внутрішні представлення під новий розподіл даних. LoRA ж модифікує лише низькорангові адаптери, залишаючи вихідні ваги незмінними. Якщо домен сильно відрізняється від передтренованого, LoRA не вистачає гнучкості. На практиці різниця може сягати 10–15 відсоткових пунктів за ключовими метриками.

Як підготувати дані для Full Fine-Tuning?

Якість датасету критична. Ми використовуємо такі практики:

• Ретельне очищення від дублікатів та шуму.
• Балансування класів, якщо задача класифікації.
• Розділення на train/val/test з урахуванням часової або тематичної стратифікації.
• Для генерації інструкцій застосовуємо шаблони chain-of-thought та few-shot приклади.

Технічні аспекти Full Fine-Tuning

Вимоги до пам'яті

Для повного доопрацювання моделі з N параметрами в bf16:

• Параметри моделі: 2N bytes
• Градієнти: 2N bytes (bf16) або 4N bytes (fp32)
• Оптимізатор (AdamW): 8N bytes (fp32 моменти)
• Активації: залежать від batch size та довжини послідовності

Разом — мінімум 12N bytes без активацій. Для 7B моделі: ~84 GB, для 70B: ~840 GB.

DeepSpeed ZeRO для розподіленого навчання

ZeRO (Zero Redundancy Optimizer) розбиває параметри, градієнти та стани оптимізатора між GPU:

{
  "zero_optimization": {
    "stage": 3,
    "offload_optimizer": {"device": "cpu"},
    "offload_param": {"device": "cpu"},
    "overlap_comm": true,
    "contiguous_gradients": true,
    "reduce_bucket_size": "auto",
    "stage3_prefetch_bucket_size": "auto",
    "stage3_param_persistence_threshold": "auto"
  },
  "bf16": {"enabled": true},
  "gradient_accumulation_steps": 8,
  "gradient_clipping": 1.0,
  "train_micro_batch_size_per_gpu": 2
}

FSDP як альтернатива DeepSpeed

PyTorch Fully Sharded Data Parallel (FSDP) — нативна альтернатива DeepSpeed, краще інтегрована з екосистемою PyTorch. Документація з FSDP доступна на офіційному сайті.

from torch.distributed.fsdp import FullyShardedDataParallel as FSDP
from torch.distributed.fsdp.wrap import transformer_auto_wrap_policy
from transformers import LlamaDecoderLayer

fsdp_config = {
    "fsdp": "full_shard auto_wrap",
    "fsdp_config": {
        "fsdp_auto_wrap_policy": "TRANSFORMER_BASED_WRAP",
        "fsdp_transformer_layer_cls_to_wrap": "LlamaDecoderLayer",
        "fsdp_state_dict_type": "FULL_STATE_DICT",
        "fsdp_offload_params": False,
    }
}

Gradient Checkpointing

Знижує споживання пам'яті активацій за рахунок повторного обчислення частини forward pass при backward:

model.gradient_checkpointing_enable()
# Зниження пам'яті активацій ~4× при уповільненні навчання ~20%

Порівняння методів доопрацювання

Управління learning rate при повному доопрацюванні

При Full FT критично важлива схема навчання:

• Warmup: перші 5–10% кроків lr зростає з 0 до цільового значення. Запобігає ранньому вибуху градієнтів.
• Cosine decay: плавне зниження lr до 10% від пікового значення до кінця навчання.
• Цільові значення: для Full FT на спеціалізованому датасеті — 1e-5 to 5e-5. Для CPT — 1e-5 або нижче.
• Catastrophic Forgetting: повне оновлення ваг може знищити загальні знання моделі. Мітигується: малим lr, replay буфером (змішування з загальними даними), EWC.

Практичний кейс: повне доопрацювання для фінансового регулятора

Задача

Спеціалізована модель для ЦБ-аналітики — аналіз звітності банків за форматами XBRL, виявлення ознак порушень пруденційних нормативів, генерація приписів.

Чому Full FT, а не LoRA

Специфічна мова регуляторних приписів (юридичні конструкції, посилання на нормативи), нові символьні патерни. LoRA r=64 давав F1=0.79, повне доопрацювання — F1=0.91.

Інфраструктура

8×A100 80GB, DeepSpeed ZeRO Stage 2, bf16.

Датасет

6800 прикладів (форма звітності → аналіз + припис).

Параметри навчання

lr=2e-5, warmup_ratio=0.05, cosine decay, 3 епохи, effective batch size=64.

Результати

• F1 виявлення порушень: 0.79 (LoRA r=64) → 0.91 (Full FT)
• ROUGE-L для приписів: 0.61 → 0.74
• Час навчання: 14 годин на 8×A100

Інфраструктурні вимоги Full Fine-Tuning

Що входить у проєкт

• Аудит поточної моделі та датасету, рекомендації щодо стратегії доопрацювання.
• Налаштування розподіленого навчання (DeepSpeed/FSDP) під вашу інфраструктуру.
• Розробка пайплайну підготовки даних, включаючи розмітку та аугментацію.
• Проведення навчання з моніторингом метрик та logging в Weights & Biases.
• Оцінка якості, A/B-тестування та деплой оптимізованої моделі.
• Документація та навчання вашої команди роботі з моделлю.

Строки проєкту

• Аудит та планування: 1–2 тижні
• Підготовка інфраструктури: 1 тиждень
• Підготовка даних: 2–6 тижнів
• Навчання та ітерації: 2–4 тижні
• Оцінка, A/B, деплой: 1–2 тижні
• Разом: 7–15 тижнів

Вартість проєкту визначається після аналізу обсягу даних та конфігурації. Оцінимо ваш проєкт та запропонуємо оптимальне рішення. Зв'яжіться з нашими інженерами для консультації.

Наш досвід: понад 10 років у NLP та 50+ проєктів з доопрацювання LLM. Гарантуємо прозорий процес та досягнення цільових метрик.

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.