Донавчання LLM методом LoRA: ефективна кастомізація LoRA fine-tuning

Донавчання LLM методом LoRA (Low-Rank Adaptation)

Уявіть: потрібно навчити модель розбиратися в юридичних документах. Повне донавчання Llama 3 8B вимагає чотирьох A100 80GB і тижня часу. Ми використовуємо LoRA (Low-Rank Adaptation) — метод, який вирішує задачу на одному GPU за години, зберігаючи якість у межах 1–2% від повного донавчання. LoRA fine-tuning економить бюджет на GPU-години в 10 разів і дозволяє донавчати моделі на звичайних відеокартах.

LoRA — метод параметрично ефективного донавчання, при якому вихідні ваги моделі заморожуються, а поруч із ними навчаються невеликі матриці низького рангу. Метод запропоновано дослідниками Microsoft Hu et al., 2021 і став стандартом de facto для fine-tuning LLM. LoRA дозволяє донавчити 7B модель на одному GPU A100 40GB замість кількох, при цьому втрата якості порівняно з Full Fine-Tuning мінімальна для більшості завдань. Донавчання мовних моделей тепер доступне кожному.

Математика LoRA

Для вагової матриці W ∈ R^(d×k) LoRA додає добуток двох матриць:

W' = W + ΔW = W + BA
де B ∈ R^(d×r), A ∈ R^(r×k), r << min(d, k)

Ранг r — ключовий гіперпараметр. При r=16 та d=k=4096 (типові розміри attention проекцій у 7B моделі) кількість навчальних параметрів в одному шарі: 16×4096 + 4096×16 = 131 072 замість 4096×4096 = 16 777 216. Це стиснення в 128×, що демонструє, наскільки LoRA краще за повне донавчання за ефективністю пам'яті.

При ініціалізації A — випадкова гауссова матриця, B — нульова. Це забезпечує ΔW=0 на початку — модель починає з оригінальної поведінки.

Конфігурація LoRA: ключові гіперпараметри

from peft import LoraConfig

config = LoraConfig(
    r=16,               # Ранг: 4, 8, 16, 32, 64, 128
    lora_alpha=32,      # Масштаб: зазвичай = 2*r
    target_modules=[    # Які шари адаптуємо
        "q_proj", "v_proj",          # Мінімум
        "k_proj", "o_proj",          # Розширений варіант
        "gate_proj", "up_proj", "down_proj"  # MLP включно
    ],
    lora_dropout=0.05,  # Регуляризація адаптера
    bias="none",        # "none", "all", "lora_only"
    task_type="CAUSAL_LM",
    modules_to_save=["embed_tokens", "lm_head"],  # Навчаємо повністю
)

Вибір r: чим складніше завдання і чим сильніше домен відрізняється від переднавчання — тим вище r. Для класифікації та форматування: r=4–8. Для генерації в специфічному стилі: r=16–32. Для складної domain adaptation: r=64–128.

lora_alpha: контролює масштаб адаптера. Ефективний lr адаптера = lr × (alpha/r). Стандартна практика: alpha = 2r.

Чому LoRA ефективніше за повне донавчання?

Для 80% бізнес-завдань різниця в якості між LoRA та повним донавчанням не перевищує 1–2%, при цьому економія GPU сягає 90%. Саме тому ми рекомендуємо LoRA як стартовий метод для більшості проєктів. Порівняння наочно: LoRA навчається в 10 разів швидше та вимагає в 4 рази менше пам'яті.

DoRA: покращення LoRA

DoRA (Weight-Decomposed Low-Rank Adaptation) розділяє оновлення ваг на magnitude та direction компоненти, використовуючи сингулярний розклад (SVD):

config = LoraConfig(
    r=16,
    use_dora=True,  # Вмикає DoRA замість звичайної LoRA
    ...
)

DoRA покращує якість на 1–3% порівняно зі стандартною LoRA без збільшення інференс-витрат.

Як ми налаштовуємо LoRA: покроковий процес (кастомізація LLM під ключ)

1. Аналіз завдання та даних — вивчаємо домен, розмічаємо 100-500 прикладів, оцінюємо складність.
2. Базова модель — обираємо підходящу: Llama 3, Mistral, Qwen, Gemma. Визначаємо контекст та токенізацію.
3. Конфігурація LoRA — підбираємо r, alpha, target_modules на основі невеликого датасету.
4. Навчання — запускаємо на GPU (A100, H100 або RTX 4090 з QLoRA). Контролюємо loss та метрики.
5. Оцінка — тестуємо на відкладеній вибірці, порівнюємо з baseline.
6. Деплой — зливаємо адаптер, перетворюємо в ONNX або TensorRT, розгортаємо в хмарі.

Ми пропонуємо донавчання LLM під ключ за 3-6 тижнів. Вартість базового пакету для 7B моделі — $1500.

Як обрати ранг LoRA для вашого завдання?

Ранг r визначає кількість навчальних параметрів. Для простих завдань (класифікація, форматування відповіді) достатньо r=4–8. Для генерації спеціалізованого контенту (юридичні, медичні тексти) використовуйте r=16–32. Для глибокої адаптації домену (стиль, знання) — r=64–128. Ми допомагаємо підібрати оптимальне значення на основі пілотного навчання.

Практичний кейс: LoRA та Mistral fine-tuning для NER у медичних записах

Завдання: вилучення іменованих сутностей із медичних записів (4 класи: MEDICATION, DOSAGE, CONDITION, PROCEDURE). Наш клієнт — одна з великих фармацевтичних компаній (ім'я не розголошуємо за NDA, з нашої практики). Базова модель: Llama 3 8B Instruct. Конфігурація: r=16, alpha=32, target_modules=["q_proj","v_proj"], 3 епохи. Датасет: 2200 прикладів, A100 40GB, QLoRA 4-bit, час навчання 2.5 години.

Розрив між r=16 та r=32 незначний — r=16 оптимальний.

Злиття адаптера для деплою

LoRA-адаптер можна злити з базовою моделлю для спрощення інференсу:

from peft import PeftModel

base_model = AutoModelForCausalLM.from_pretrained("meta-llama/Meta-Llama-3-8B-Instruct")
model = PeftModel.from_pretrained(base_model, "./lora-adapter")

# Злиття: результат — звичайна модель без PEFT overhead
merged = model.merge_and_unload()
merged.save_pretrained("./merged-model")

Після злиття модель ідентична за швидкістю інференсу повністю навченій — overhead LoRA на inference зникає.

Що ви отримуєте в результаті (входить в роботу)

• Готовий до деплою LoRA-адаптер або злиту модель
• Документація: звіт з метриками, обрана конфігурація гіперпараметрів
• Інструкція з запуску на вашій інфраструктурі
• Підтримка при впровадженні (2 тижні після передачі)
• Досвід нашої команди: 5+ років у NLP та MLOps, 15+ проєктів з донавчання LLM

Строки орієнтовно

• Підготовка даних: 2–4 тижнів
• Навчання (7B, LoRA, A100 40GB): 2–8 годин
• Ітерації гіперпараметрів: 3–5 днів
• Разом: 3–6 тижнів

Оцінити свій проєкт можна, зв'язавшись з нами — ми безкоштовно проаналізуємо завдання та запропонуємо оптимальну конфігурацію. Пишіть! Наші інженери гарантують прозорий результат та дотримання NDA. Для детального розрахунку вартості отримайте консультацію.

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.