LLM

LLM

Есть 2 вида параметров (неочевидно)

• параметры самой модели
• параметры запуска модели

Параметры самой модели

Это то, что модель из себя представляет.

Размер модели

• 7B, 14B, 27B, 70B

B = billions, миллиарды параметров чем число больше, тем модель обычно:

• умнее
• лучше держит сложные инструкции
• лучше пишет код
• лучше рассуждает
• медленнее
• требует больше памяти
• сильнее грузит железо

Очень грубо:

• 7B–8B — быстрые, лёгкие
• 12B–14B — хороший баланс
• 27B–32B — уже заметно качественнее, но тяжелее
• 70B+ — топ по качеству, но локально уже дорого

Когда говорят "модель 14B", это значит не "14 миллиардов настроек для пользователя",
а что внутри сети около 14 млрд чисел, которые определяют её поведение.

Квантование

• 4-bit
• 5-bit
• 6-bit
• 8-bit

Это способ хранения весов модели в более компактном виде.
Идея простая: без квантования модель занимает очень много памяти, квантование сжимает веса ,за это иногда платишь качеством
Общее правило:

• 4-bit — самый популярный практический вариант сильно экономит память, обычно хорош для локального запуска
• 6-bit / 8-bit — качество чуть лучше но ест больше памяти работает медленнее или просто тяжелее для системы

• меньше бит → меньше RAM/VRAM → быстрее/легче запустить
• больше бит → качество ближе к оригиналу → тяжелее

Для локального использования это один из самых важных параметров.

Формат модели

• MLX
• GGUF
• другие

Это формат/движок, в котором она запускается.

• MLX - Формат/экосистема, хорошо заточенная под Apple Silicon.
  • лучше подходит для M-чипов
  • лучше использует Apple GPU / unified memory
  • часто самый логичный выбор на Mac

• GGUF
• Очень популярный универсальный формат для llama.cpp.
  • огромный выбор моделей
  • много квантовок
  • отличная совместимость
  • на Mac M-серии не всегда лучший вариант по производительности по сравнению с хорошим MLX-портом

Context window

• 8K
• 32K
• 128K
• 256K

Это сколько текста модель может “держать в голове” в одном запросе.
Примеры: промпт, история чата, вставленные документы, код, системная инструкция - се это вместе занимает контекст.

Что это значит на практике?

• 8K — обычный чат, короткие задачи
• 32K — уже можно давать длинные тексты
• 128K — большие документы, длинные диалоги
• 256K+ — очень длинные документы/кодовые базы

Но есть важный нюанс:

большой контекст != лучшее понимание всего текста Модель может технически принять 128K, но качество внимания к самым ранним частям текста может быть неидеальным.

Плюс большой контекст:

требует больше памяти замедляет работу

Base model

"Сырая" модель после общего обучения.
Она знает язык, факты, паттерны, но не всегда хорошо следует инструкциям.

Instruct / Chat model

Доработанная модель, которую специально учили

• отвечать на вопросы
• следовать инструкциям
• вести диалог

Для обычного пользователя почти всегда нужна именно:

• Instruct
• Chat
• иногда Assistant

Multimodal / Vision

Некоторые модели умеют не только текст.

Если у модели есть vision, это значит, что ей можно дать картинку и спросить:

• что на фото
• что на скриншоте
• что в диаграмме
• распознать UI и так далее

Reasoning / Thinking

Сейчас у некоторых семейств моделей есть режимы thinking” или reasoning-oriented.

• лучше справляется со сложными задачами
• лучше в многошаговом анализе
• медленнее
• дороже по токенам

Tool use / Function calling / JSON mode

• "вызови вот этот инструмент"
• "сходи в API"
• "выполни функцию с такими аргументами"

Это полезно для агентов.

JSON mode / Structured output

Модель умеет стабильно отвечать в виде JSON.

• автоматизацию
• интеграции
• пайплайны
• обработку ответов программой

Для агентов — очень полезно.

Dense vs MoE

Dense

Обычная модель: при генерации работает вся сеть.

MoE (Mixture of Experts)

Модель состоит из нескольких “экспертов”, но на каждом токене активируется только часть.

• модель может вести себя как более крупная
• при этом вычислительно может быть дешевле полной dense-модели такого же общего размера

Но названия MoE часто сбивают с толку. Например, условное 8x7B — это не просто “56B как обычная dense”. Там интерпретация сложнее.
Для начала можно просто помнить:

• dense — проще понять
• MoE — хитрее устроены, иногда очень выгодны

Параметры запуска модели

Теперь вторая группа — это то, что ты меняешь при генерации ответа.

Они не меняют саму модель, а меняют её поведение в момент ответа.

Temperature

Насколько ответ будет “творческим” и вариативным.

низкая (0.0–0.3) более предсказуемо, сухо, стабильно средняя (0.5–0.8) нормальный баланс высокая (1.0+) больше разнообразия, но больше странностей

Практика:

код, точность, извлечение фактов → пониже идеи, стиль, креатив → повыше

Top-p

Ещё один способ ограничить случайность.

Проще всего так:

temperature = “насколько смело фантазировать” top-p = “из какого круга вероятных слов вообще можно выбирать”

Обычно:

либо просто трогаешь temperature либо очень аккуратно меняешь top-p

Новичку часто достаточно не трогать top-p.

Max tokens

Максимальная длина ответа.

• мало → ответ может обрезаться
• много → ответ длиннее, но дороже/медленнее

Seed

Фиксирует случайность.

Если seed одинаковый и остальные настройки те же, можно получить более воспроизводимый результат.

Полезно для тестов.

Stop sequences

Говоришь модели, где остановиться.

Полезно в автоматизации и специальных форматах вывода.

Repeat penalty / frequency penalty / presence penalty

Это способы бороться с:

повторениями зацикливанием однообразием

Трогать их на старте обычно не нужно.

Что важнее всего для выбора модели

Если совсем по-простому, для тебя самые важные поля — вот эти:

размер модели — 8B, 14B, 27B квантование — 4-bit, 6-bit, 8-bit формат — MLX или GGUF контекст — 32K, 128K тип — Instruct/Chat или Base есть ли vision / tool use / reasoning Очень короткая шпаргалка

Когда видишь что-то вроде:

qwen3-14b-instruct-4bit-mlx

это можно читать так:

qwen3 — семейство модели 14b — размер instruct — обучена для диалога и инструкций 4bit — квантована для экономии памяти mlx — формат, удобный для Mac M-серии