QLoRA для дообучення LLM: NF4 квантизація та LoRA на одному GPU

Ви працюєте з великими мовними моделями, але не вистачає GPU для дообучення? Ми стикаємося з цією проблемою щодня. Наша команда вже 5+ років досвіду займається LLM і використовує QLoRA для ефективного навчання гігантських моделей на кшталт Llama 3.1 70B на одному A100 80GB. QLoRA (Quantized Low-Rank Adaptation) — метод, що поєднує квантизацію базової моделі до 4-bit з навчанням LoRA-адаптерів у bf16/fp32. Це дозволяє дообучати 70B моделі на одному GPU з мінімальною втратою якості: за нашими тестами, різниця з повним fine-tuning у bf16 не перевищує 0.5% за метриками. QLoRA потребує в 4 рази менше пам'яті, ніж LoRA у bf16, при цьому якість знижується менш ніж на 0.5%. Ми пропонуємо дообучення під ключ: від підготовки даних до деплою. Гарантуємо відтворюваність результатів з фіксацією seed та версій. У нашому портфоліо 10+ успішних проєктів з дообучення LLM для юриспруденції, медицини та фінансів. QLoRA дозволяє заощадити до 70% витрат на інфраструктуру: економія на оренді GPU може сягати $1500 на місяць при використанні QLoRA замість повного fine-tuning.

Як працює QLoRA

Крок 1: базова модель завантажується в 4-bit NormalFloat (NF4) — спеціальний формат квантизації, оптимальний для нормально розподілених ваг нейромереж. Використовується бібліотека bitsandbytes.

Крок 2: для кожного квантизованого блоку зберігається окремий масштабуючий коефіцієнт (Double Quantization — квантизація самих масштабів).

Крок 3: при forward/backward pass ваги деквантизуються в bf16 «на льоту» для обчислень.

Крок 4: LoRA-адаптери зберігаються та оновлюються в повній точності (bf16/fp32).

Результат: споживання пам'яті знижується приблизно в 4× порівняно з bf16 LoRA, при цьому якість практично не страждає завдяки NF4 квантизації.

Чому QLoRA — оптимальний вибір для обмежених GPU?

Основна причина — можливість дообучати моделі в 70B на єдиній карті. Якщо у вас немає доступу до кластера з 8 GPU, QLoRA — єдиний практичний метод. Наші клієнти підтверджують: після переходу з повного fine-tuning на QLoRA витрати на інфраструктуру знижуються в 3–5 разів при збереженні точності в межах 1%.

Як QLoRA впливає на якість?

Наші вимірювання показують: різниця між QLoRA та повним fine-tuning у bf16 становить менше 0.5% за recall/precision. Це підтверджується і в бенчмарках: NF4 квантизація спеціально спроєктована для мінімальної деградації.

Реалізація QLoRA

from transformers import AutoModelForCausalLM, BitsAndBytesConfig
from peft import LoraConfig, get_peft_model, prepare_model_for_kbit_training
import torch

# NF4 квантизація з Double Quantization
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16,
    bnb_4bit_use_double_quant=True,
)

model = AutoModelForCausalLM.from_pretrained(
    "meta-llama/Meta-Llama-3.1-70B-Instruct",
    quantization_config=bnb_config,
    device_map="auto",
)

model = prepare_model_for_kbit_training(model)

lora_config = LoraConfig(
    r=64,
    lora_alpha=128,
    target_modules=["q_proj", "v_proj", "k_proj", "o_proj",
                    "gate_proj", "up_proj", "down_proj"],
    lora_dropout=0.05,
    task_type="CAUSAL_LM",
    bias="none",
)

model = get_peft_model(model, lora_config)
model.print_trainable_parameters()
# trainable: 0.84% | all: 70B | memory: ~40 GB на 1×A100 80GB

Вимоги до пам'яті QLoRA vs LoRA vs Full FT

QLoRA дозволяє працювати з 70B моделлю на одній A100 80GB — це революційне зниження вимог до інфраструктури.

Gradient Checkpointing при QLoRA

При QLoRA активації займають основну пам'ять. Gradient checkpointing критично важливий:

from trl import SFTTrainer, SFTConfig

training_args = SFTConfig(
    output_dir="./qlora-output",
    num_train_epochs=3,
    per_device_train_batch_size=2,
    gradient_accumulation_steps=16,
    gradient_checkpointing=True,
    gradient_checkpointing_kwargs={"use_reentrant": False},
    learning_rate=2e-4,
    lr_scheduler_type="cosine",
    warmup_ratio=0.05,
    bf16=True,
    max_seq_length=4096,
    logging_steps=25,
    save_steps=100,
    report_to="wandb",
)

Практичний кейс: 70B модель на одному A100 80GB (з нашої практики)

Задача: спеціалізація Llama 3.1 70B Instruct для аналізу юридичних договорів — класифікація ризиків, виявлення нестандартних умов, порівняння з шаблоном.

Чому 70B, а не 8B: раніше тестували Llama 3.1 8B — якість аналізу складних договорів неприйнятна (занадто багато пропущених нюансів). 70B дає якість, порівнянну з GPT-4o.

Інфраструктура: 1×A100 80GB. QLoRA NF4, r=64, alpha=128.

Датасет: 1400 договорів з розміткою (проведена практикуючими юристами): кожен договір → список ризиків з категорією та severity.

Час навчання: 3 епохи, 22 години на одній A100 80GB.

Результати:

Після дообучення модель можна використовувати в RAG системах для юридичного аналізу.

Що входить у дообучення під ключ

• Аудит даних: перевірка якості, розмітка, аугментація при необхідності.
• Вибір архітектури LoRA (rank, alpha, target modules).
• Конфігурація QLoRA: NF4, double quant, gradient checkpointing.
• Навчання на вашому GPU або орендованому інстансі (допоможемо з налаштуванням).
• Оцінка якості (hold-out set, LLM-as-judge).
• Деплой через vLLM або Triton Inference Server з API endpoint.
• Документація та передача моделі (ваги LoRA, конфіги, інструкції).
• Навчання вашої команди роботі з моделлю.

Обмеження QLoRA

Швидкість навчання: деквантизація на льоту уповільнює навчання на ~20% порівняно з bf16 LoRA.

Тепловиділення: A100 при QLoRA працює на межі — потрібна адекватна система охолодження.

Варіативність: результати трохи менш відтворювані через квантизаційні помилки (але ми фіксуємо seed і версії).

Терміни

• Підготовка даних: 2–5 тижнів
• Навчання (70B, QLoRA, 1×A100 80GB): 12–36 годин
• Ітерації: 1–2 тижні
• Разом: 4–8 тижнів

Оцінимо ваш проєкт і підготуємо пропозицію протягом 2 робочих днів. Замовте консультацію — наші інженери допоможуть підібрати оптимальну конфігурацію для вашого завдання. Отримайте безкоштовний аналіз даних та рекомендації щодо дообучення моделі.

Джерело: Деттмерс Т. та ін., QLoRA: Efficient Finetuning of Quantized Language Models, arXiv:2305.14314, 2023.

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.