Доучування мовної моделі Mistral: LoRA, QLoRA, La Plateforme

Доучування мовної моделі Mistral

Ви запустили класифікацію товарів на базі Mistral, але accuracy плаває на 60%. Стандартні промпти не справляються з вузькоспеціалізованими категоріями, а кожен зайвий виклик API з'їдає бюджет. Ми проводимо fine-tuning Mistral 7B та Mixtral на ваших даних — і отримуємо модель, яка видає 88% точності на ієрархічній класифікації з 340 категоріями. Зв'яжіться з нами, щоб обговорити ваш проєкт.

Fine-tuning доступний двома шляхами: через La Plateforme (офіційний сервіс Mistral) для закритих моделей, і через self-hosted навчання для відкритих ваг. Mistral 7B — одна з найпопулярніших базових моделей для LoRA-доучування завдяки високому співвідношенню якості до розміру. Наш досвід показує, що правильно налаштоване доучування підвищує accuracy на 20–30% порівняно з zero-shot. Ми гарантуємо, що модель працюватиме у вашому продакшні без сюрпризів.

Сімейство моделей Mistral для fine-tuning

Який метод fine-tuning обрати для Mistral?

Self-hosted LoRA/QLoRA — основний вибір для більшості задач. При обсязі запитів від 1000 на день власний fine-tuning дає економію на інференсі до 73% порівняно з API. Наші інженери реалізували 50+ проєктів доучування. Клієнт з e-commerce поділився: «Точність класифікації зросла на 27% за один тиждень, а вартість інференсу знизилася втричі». Нижче — порівняння підходів.

Як виконується fine-tuning через La Plateforme

Mistral надає керований fine-tuning через API з мінімальним порогом входу:

from mistralai import Mistral

client = Mistral(api_key="...")

# Завантаження датасету
with open("train.jsonl", "rb") as f:
    response = client.files.upload(file=("train.jsonl", f, "application/json"))
    file_id = response.id

# Створення джобу
job = client.fine_tuning.jobs.create(
    model="open-mistral-7b",
    training_files=[{"file_id": file_id, "weight": 1}],
    hyperparameters={
        "training_steps": 1000,
        "learning_rate": 0.0001
    }
)

Формат даних для La Plateforme — JSONL з полями messages (аналогічно OpenAI Chat format):

{"messages": [{"role": "user", "content": "..."}, {"role": "assistant", "content": "..."}]}

Архітектурна особливість Mixtral: Mixture of Experts

Mixtral 8x7B використовує MoE-архітектуру: 8 «експертів» (окремих MLP), з яких для кожного токена активуються лише 2. Це дає якість, порівнянну з 40B+ моделлю, при VRAM-вимогах ~48GB (fp16) та швидкості inference 7B моделі. Детальніше про архітектуру можна прочитати в Wikipedia: Mixture of experts.

При LoRA fine-tuning Mixtral важливо правильно обрати target_modules. У MoE-шарах є специфічні параметри:

lora_config = LoraConfig(
    r=16,
    lora_alpha=32,
    # Для Mixtral включаємо MoE-специфічні шари
    target_modules=[
        "q_proj", "v_proj", "k_proj", "o_proj",
        "w1", "w2", "w3"  # MoE expert weights
    ],
    task_type="CAUSAL_LM"
)

Включення w1/w2/w3 (ваги експертів) в LoRA дає суттєвий приріст якості для domain-specific задач, але збільшує кількість навчаних параметрів.

Self-hosted fine-tuning Mistral 7B: покроковий процес

from trl import SFTTrainer, SFTConfig
from peft import LoraConfig
from transformers import AutoModelForCausalLM, BitsAndBytesConfig

bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16,
)

model = AutoModelForCausalLM.from_pretrained(
    "mistralai/Mistral-7B-Instruct-v0.3",
    quantization_config=bnb_config,
    device_map="auto"
)

# Mistral використовує sliding window attention
# context_length краще обмежити до 4096 при QLoRA
trainer = SFTTrainer(
    model=model,
    args=SFTConfig(
        max_seq_length=4096,
        num_train_epochs=4,
        per_device_train_batch_size=2,
        gradient_accumulation_steps=8,
        warmup_ratio=0.1,
        lr_scheduler_type="cosine",
        learning_rate=2e-4,
        bf16=True,
        report_to="wandb",
    ),
    train_dataset=train_dataset,
    peft_config=LoraConfig(r=16, lora_alpha=32, target_modules=["q_proj","v_proj"])
)

1. Підготовка даних: очищення, балансування, аугментація. Мінімум 100 прикладів, оптимально 1000+.
2. Вибір конфігурації LoRA: rank (зазвичай 16–64), target_modules (q_proj, v_proj, для Mixtral + w1,w2,w3).
3. Запуск навчання: на A100 40GB Mistral 7B навчається 1–3 дні, Mixtral 8x7B — 3–7 днів на двох A100.
4. Моніторинг: Weights & Biases або MLflow для відстеження loss, learning rate, gradient norms.
5. Оцінка: на відкладеній вибірці (20%), метрики accuracy/F1/BLEU.
6. Експорт та деплой: ONNX/TensorRT для інференсу, налаштування vLLM з batching.

Практичний кейс: e-commerce класифікатор на Mistral 7B

Задача: класифікація товарних описів за 340 категоріями каталогу (ієрархічна, 3 рівні). До цього використовувався евристичний класифікатор з accuracy 61%. З нашої практики: клієнт — маркетплейс електроніки.

Датасет: 18 000 прикладів (назва + опис товару → шлях в ієрархії категорій).

Навчання: Mistral 7B Instruct v0.3, QLoRA (r=32), 3 епохи, одна A100 40GB, 2.5 години.

Результати:

• Top-1 accuracy: 61% → 88%
• Top-3 accuracy: 79% → 97%
• Latency p50: 340мс (vLLM, batching)
• Вартість vs La Plateforme API: -73% при обсязі 500K запитів/місяць

Коли обирати Mistral, а коли Llama або GPT-4o для fine-tuning?

Mistral 7B — оптимальний, коли потрібен баланс якості та швидкості, один GPU, задачі класифікації або вилучення даних помірної складності.

Mixtral 8x7B — коли 7B не вистачає якості, але 70B занадто дорогий в інференсі; добре підходить для генерації та складного reasoning.

Llama 3.1 70B — максимальна якість серед відкритих, коли потрібно конкурувати з GPT-4 рівнем.

GPT-4o fine-tuning — коли немає GPU-інфраструктури, дані не конфіденційні, обсяг інференсу середній.

Що входить в роботу

• Аналіз задачі та вибір моделі (Mistral 7B, Mixtral, La Plateforme).
• Підготовка та розмітка датасету (очищення, балансування, аугментація).
• Налаштування гіперпараметрів (learning rate, кількість епох, LoRA rank).
• Навчання з моніторингом (W&B, MLflow).
• Оцінка на відкладеній вибірці, порівняння з бейзлайном.
• Експорт в ONNX/TensorRT для інференсу.
• Документація щодо роботи моделі, рекомендації з експлуатації.

Терміни проєкту

• Підготовка даних: 2–5 тижнів
• Навчання та ітерації (Mistral 7B, A100): 1–3 дні сумарно
• Навчання (Mixtral 8x7B, 2×A100): 3–7 днів сумарно
• Оцінка, тюнінг, деплой: 1–2 тижні
• Разом: 4–9 тижнів

Замовте fine-tuning з гарантією результату. Отримайте консультацію щодо вибору моделі та стратегії доучування. Зв'яжіться з нами, щоб обговорити ваш проєкт.

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.