PEFT донавчання LLM: LoRA, QLoRA, AdaLoRA

Проблема: LLM не підходить під ваше завдання?

Ви навчили Llama 3.1 8B на загальних даних, але вона неякісно відповідає на питання по вашій юридичній документації. Повний fine-tuning потребує 80 ГБ VRAM і кількох A100 — ресурси є не в усіх. Parameter-Efficient Fine-Tuning (PEFT) вирішує цю проблему: донавчаються лише 0.1–5% параметрів, а базова модель залишається замороженою. Ми використовуємо PEFT, щоб адаптувати будь-яку LLM (від LLaMA до Mistral) під ваше завдання — класифікацію, генерацію, RAG — без додаткових GPU.

Наш досвід у донавчанні LLM — 5+ років, сотні проєктів для клієнтів із FinTech та LegalTech. Гарантуємо стабільну точність та оптимізацію інференсу.

Які проблеми вирішує PEFT?

• Нестача GPU-пам'яті. Повний fine-tuning моделі 7B потребує ~56 ГБ VRAM з Adam. LoRA з рангом 16 скорочує до ~18 ГБ, QLoRA (4-bit) — до 9 ГБ. Одна карта A100 замість кластера.
• Довге навчання. Повний fine-tuning Llama 3.1 8B — 8 годин на 4×A100. LoRA r=16 — 55 хвилин на 1×A100. Різниця в 8–10 разів.
• Погіршення узагальнювальної здатності. Повний fine-tuning часто викликає катастрофічне забування. PEFT зберігає базові знання, донавчаючи лише адаптацію.

Який метод PEFT обрати для вашого завдання?

Вибір залежить від обсягу даних, ресурсів та вимог до латентності. Зведена таблиця:

Зазначимо: як зазначено в офіційній документації, PEFT дозволяє скоротити ресурси на 90% (Hugging Face PEFT docs).

LoRA: золотий стандарт PEFT

LoRA (Low-Rank Adaptation) додає в шари attention матриці низького рангу (r=8–16). Після навчання вони зливаються з базовими вагами — затримка інференсу не збільшується. Приклад конфігурації:

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 задачі класифікації тональності фінансових новин (1200 прикладів, модель Llama 3.1 8B) LoRA r=16 досягла accuracy 0.91 проти 0.74 у 5-shot без донавчання. Повний fine-tuning дав 0.93, але зайняв у 8 разів більше часу.

AdaLoRA: адаптивний ранг для складних випадків

AdaLoRA автоматично розподіляє бюджет параметрів між шарами, виділяючи більший ранг більш важливим. Корисна, коли невідомо, які шари критичні для задачі.

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 та IA³: коли даних дуже мало

Prefix Tuning додає навчальні віртуальні токени (20–100), IA³ — масштабувальні вектори. Обидва методи потребують <0.1% параметрів і працюють від 50–200 прикладів. LoRA при 500+ прикладах перевершує їх у 2–3 рази за точністю.

from peft import PrefixTuningConfig

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

Як ми донавчали Llama 3.1 для аналізу тональності фінансових новин?

Задача: класифікація тональності (Positive/Negative/Neutral) за 1200 текстами. Базова модель — Llama 3.1 8B Instruct.

Підсумок: LoRA r=16 — оптимальний вибір за співвідношенням точність/ресурси. QLoRA дає порівнянну точність при вдвічі меншому VRAM.

Керування кількома адаптерами через PEFT

Бібліотека PEFT дозволяє завантажувати та перемикати адаптери в одній базовій моделі:

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(...)

Це архітектурний патерн «один базовий інстанс — кілька спеціалізацій», який знижує витрати пам'яті в 5 разів.

Що входить у роботу

• Аналіз вашого завдання та підбір методу PEFT.
• Підготовка та розмітка датасету (при необхідності).
• Навчання з моніторингом метрик (loss, accuracy, F1).
• Тестування на відкладеній вибірці, порівняння з бейзлайном.
• Інтеграція адаптера у ваш пайплайн (Hugging Face, SageMaker, Triton).
• Документація та навчання команди.
• Пост-навчальна підтримка та доналаштування при зміні даних.

Строки

• Вибір методу PEFT та експерименти: 3–7 днів.
• Підготовка даних: 2–4 тижні.
• Навчання та порівняння методів: 1–2 тижні.
• Разом: 3–6 тижнів. На етапі консультації уточнимо строки під ваш проєкт.

Зв'яжіться з нами для безкоштовного аналізу вашого завдання — ми підберемо оптимальний метод PEFT та запропонуємо детальний план донавчання. Замовте консультацію, щоб отримати індивідуальний план.

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.