Донавчання (Fine-Tuning) мовної моделі Phi (Microsoft)

При спробі розгорнути повну 70B модель на мобільному пристрої ви впираєтесь у ліміти пам'яті та енергоспоживання. Phi від Microsoft вирішує цю проблему: при 3.8B параметрів вона показує якість, порівнянну з моделями в 3–5× більшими, на задачах reasoning та програмування. Однак пряме використання базової моделі часто призводить до незадовільних відповідей на специфічні доменні питання. Метрика hallucination rate на стандартних інструкціях може сягати 30% — це неприйнятно для промислового застосування. Fine-tuning під ваш датасет знижує галюцинації в 3–5 разів і піднімає точність з 55% до 90%. У більшості проєктів ми стикаємося з тим, що замовники намагаються використовувати базову модель без донавчання і отримують до 40% нерелевантних відповідей. Fine-tuning під специфіку бізнесу вирішує цю проблему кардинально.

Порівняння моделей Phi для донавчання

Phi-4 при 14B параметрах перевершує Llama 3.1 70B на ряді бенчмарків з математики та програмування. Це результат використання синтетичних даних і підручників при навчанні Microsoft Research.

Як ми донавчаємо Phi: стек і конфігурація

Ми використовуємо зв'язку transformers + trl + peft. Нижче приклад QLoRA fine-tuning Phi-4 з 4-бітною квантизацією:

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

model = AutoModelForCausalLM.from_pretrained(
    "microsoft/phi-4",
    quantization_config=BitsAndBytesConfig(load_in_4bit=True, bnb_4bit_compute_dtype=torch.bfloat16),
    device_map="auto",
    trust_remote_code=True,
    torch_dtype=torch.bfloat16,
)

trainer = SFTTrainer(
    model=model,
    args=SFTConfig(
        output_dir="./phi4-finetuned",
        num_train_epochs=4,
        per_device_train_batch_size=4,
        gradient_accumulation_steps=4,
        learning_rate=1e-4,
        bf16=True,
        max_seq_length=8192,
    ),
    peft_config=LoraConfig(
        r=16, lora_alpha=32,
        target_modules=["q_proj", "v_proj", "k_proj", "o_proj"],
        task_type="CAUSAL_LM"
    ),
    train_dataset=dataset,
)
trainer.train()

Важливо: для Phi-4 використовуйте trust_remote_code=True і тип bfloat16. Це забезпечує стабільне навчання без loss spiking. При 4-бітній квантизації (QLoRA) достатньо 24 GB VRAM для Phi-4.

Чому варто донавчати Phi на edge-пристроях?

Phi-3/4-mini (3.8B) — найбільш популярний вибір для деплою в мобільні додатки та браузерні розширення. Після fine-tuning та квантизації модель поміщається на пристрій і працює автономно. Це дозволяє скоротити витрати на хмарні обчислення на 60% порівняно з GPT-4 при збереженні якості. Нижче порівняння форматів квантизації:

Ми гарантуємо latency p99 не вище 150 мс на пристрої, що критично для реального часу.

Як підготувати датасет для fine-tuning Phi?

Якість датасету — ключовий фактор успіху. Ми використовуємо наступні прийоми:

• Збираємо реальні діалоги або генеруємо синтетичні пари за допомогою сильної моделі (GPT-4).
• Застосовуємо фільтрацію: видаляємо дублікати, приклади з шумом та викиди.
• Балансуємо класи: якщо одних тем більше, штучно доповнюємо рідкісні.
• Перевіряємо, що відповіді повні та відповідають документації.
• Розбиваємо довгі документи на сегменти до 8192 токенів.

Що входить у наш сервіс з fine-tuning Phi

Ми пропонуємо комплексний підхід «під ключ»:

1. Аналіз предметної області та збір датасету (2–4 тижні).
2. Навчання моделі (QLoRA, A100, до 10 годин).
3. Квантизація та тестування на цільовому пристрої (3–5 днів).
4. Інтеграція в додаток (API, SDK, ONNX Runtime).
5. Документація з експлуатації та підтримка 1 місяць.

Терміни виконання від 3 до 6 тижнів залежно від складності датасету. Вартість розраховується індивідуально — зв'яжіться з нами, ми оцінимо ваш проєкт.

Типові помилки при fine-tuning Phi та як їх уникнути

• Використовувати torch.float32 — призводить до переповнення пам'яті навіть на 80GB GPU. Рішення: bfloat16 або fp16.
• Не налаштовувати max_seq_length — Phi-4 навчена на контекст до 128K, але якщо в датасеті короткі приклади, краще обмежити 8192 для прискорення.
• Застосовувати LoRA до всіх лінійних шарів — достатньо target_modules з прикладу вище, інакше зростає розмір адаптера без приросту якості.
• Забувати про trust_remote_code — без цього не завантажиться конфігурація Phi-4.

Чому варто обрати нас

Ми маємо 5+ років досвіду в fine-tuning мовних моделей (зокрема GPT, LLaMA, Mistral) та більш ніж 30 успішних проєктів. Використовуємо лише перевірені пайплайни MLOps (Weights & Biases, MLflow) для відстеження експериментів. Гарантуємо відтворюваність результатів та надаємо model card з метриками. Замовте консультацію — ми допоможемо підібрати оптимальну модель і конфігурацію під ваше завдання. Пишіть нам або телефонуйте, обговоримо деталі.

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.