Peft

Дообучка больших LLM через LoRA при ограниченной памяти GPU.

Метаданные навыка

Справочник: полный SKILL.md

PEFT (параметрически эффективная дообучка)

Дообучайте LLM, тренируя менее 1% параметров — через LoRA, QLoRA и 25+ методов с адаптерами.

Когда использовать PEFT

Используйте PEFT/LoRA, когда:

• Дообучаете модели 7B–70B на потребительских GPU (RTX 4090, A100)
• Нужно обучить менее 1% параметров (адаптеры по 6 МБ против полной модели в 14 ГБ)
• Хотите быстро итерировать с несколькими адаптерами под отдельные задачи
• Разворачиваете несколько дообученных вариантов от одной базовой модели

Используйте QLoRA (PEFT + квантизация), когда:

• Дообучаете модели 70B на одном GPU с 24 ГБ
• Память — главное ограничение
• Допустима просадка качества примерно на 5% по сравнению с полной дообучкой

Используйте полную дообучку вместо PEFT, когда:

• Обучаете небольшие модели (менее 1B параметров)
• Нужно максимальное качество и есть бюджет на вычисления
• Сильный сдвиг домена требует обновить все веса

Быстрый старт

Установка

# Базовая установка
pip install peft

# С поддержкой квантизации (рекомендуется)
pip install peft bitsandbytes

# Полный набор
pip install peft transformers accelerate bitsandbytes datasets

Дообучка LoRA (стандартная)

from transformers import AutoModelForCausalLM, AutoTokenizer, TrainingArguments, Trainer
from peft import get_peft_model, LoraConfig, TaskType
from datasets import load_dataset

# Загрузка базовой модели
model_name = "meta-llama/Llama-3.1-8B"
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype="auto", device_map="auto")
tokenizer = AutoTokenizer.from_pretrained(model_name)
tokenizer.pad_token = tokenizer.eos_token

# Конфигурация LoRA
lora_config = LoraConfig(
    task_type=TaskType.CAUSAL_LM,
    r=16,                          # Ранг (8-64, выше = больше ёмкость)
    lora_alpha=32,                 # Коэффициент масштабирования (обычно 2*r)
    lora_dropout=0.05,             # Dropout для регуляризации
    target_modules=["q_proj", "v_proj", "k_proj", "o_proj"],  # Слои внимания
    bias="none"                    # Не обучать смещения
)

# Применяем LoRA
model = get_peft_model(model, lora_config)
model.print_trainable_parameters()
# Вывод: trainable params: 13,631,488 || all params: 8,043,307,008 || trainable%: 0.17%

# Подготовка датасета
dataset = load_dataset("databricks/databricks-dolly-15k", split="train")

def tokenize(example):
    text = f"### Instruction:\n{example['instruction']}\n\n### Response:\n{example['response']}"
    return tokenizer(text, truncation=True, max_length=512, padding="max_length")

tokenized = dataset.map(tokenize, remove_columns=dataset.column_names)

# Обучение
training_args = TrainingArguments(
    output_dir="./lora-llama",
    num_train_epochs=3,
    per_device_train_batch_size=4,
    gradient_accumulation_steps=4,
    learning_rate=2e-4,
    fp16=True,
    logging_steps=10,
    save_strategy="epoch"
)

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized,
    data_collator=lambda data: {"input_ids": torch.stack([f["input_ids"] for f in data]),
                                 "attention_mask": torch.stack([f["attention_mask"] for f in data]),
                                 "labels": torch.stack([f["input_ids"] for f in data])}
)

trainer.train()

# Сохраняем только адаптер (6 МБ против 16 ГБ)
model.save_pretrained("./lora-llama-adapter")

Дообучка QLoRA (экономия памяти)

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

# Конфигурация 4-битной квантизации
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",           # NormalFloat4 (лучший вариант для LLM)
    bnb_4bit_compute_dtype="bfloat16",   # Вычисления в bf16
    bnb_4bit_use_double_quant=True       # Вложенная квантизация
)

# Загрузка квантизованной модели
model = AutoModelForCausalLM.from_pretrained(
    "meta-llama/Llama-3.1-70B",
    quantization_config=bnb_config,
    device_map="auto"
)

# Подготовка к обучению (включает gradient checkpointing)
model = prepare_model_for_kbit_training(model)

# Конфигурация LoRA для QLoRA
lora_config = LoraConfig(
    r=64,                              # Более высокий ранг для 70B
    lora_alpha=128,
    lora_dropout=0.1,
    target_modules=["q_proj", "v_proj", "k_proj", "o_proj", "gate_proj", "up_proj", "down_proj"],
    bias="none",
    task_type="CAUSAL_LM"
)

model = get_peft_model(model, lora_config)
# Модель 70B теперь помещается на один GPU с 24 ГБ!

Подбор параметров LoRA

Ранг (r) — ёмкость против эффективности

Alpha (lora_alpha) — коэффициент масштабирования

# Эмпирическое правило: alpha = 2 * rank
LoraConfig(r=16, lora_alpha=32)  # Стандарт
LoraConfig(r=16, lora_alpha=16)  # Консервативно (эффект меньшего learning rate)
LoraConfig(r=16, lora_alpha=64)  # Агрессивно (эффект большего learning rate)

Целевые модули по архитектуре

# Llama / Mistral / Qwen
target_modules = ["q_proj", "v_proj", "k_proj", "o_proj", "gate_proj", "up_proj", "down_proj"]

# GPT-2 / GPT-Neo
target_modules = ["c_attn", "c_proj", "c_fc"]

# Falcon
target_modules = ["query_key_value", "dense", "dense_h_to_4h", "dense_4h_to_h"]

# BLOOM
target_modules = ["query_key_value", "dense", "dense_h_to_4h", "dense_4h_to_h"]

# Автоопределение всех линейных слоёв
target_modules = "all-linear"  # PEFT 0.6.0+

Загрузка и слияние адаптеров

Загрузка обученного адаптера

from peft import PeftModel, AutoPeftModelForCausalLM
from transformers import AutoModelForCausalLM

# Вариант 1: загрузка через PeftModel
base_model = AutoModelForCausalLM.from_pretrained("meta-llama/Llama-3.1-8B")
model = PeftModel.from_pretrained(base_model, "./lora-llama-adapter")

# Вариант 2: прямая загрузка (рекомендуется)
model = AutoPeftModelForCausalLM.from_pretrained(
    "./lora-llama-adapter",
    device_map="auto"
)

Слияние адаптера с базовой моделью

# Слияние для развёртывания (без накладных расходов на адаптер)
merged_model = model.merge_and_unload()

# Сохранение слитой модели
merged_model.save_pretrained("./llama-merged")
tokenizer.save_pretrained("./llama-merged")

# Публикация в Hub
merged_model.push_to_hub("username/llama-finetuned")

Раздача нескольких адаптеров

from peft import PeftModel

# Загрузка базовой модели с первым адаптером
model = AutoPeftModelForCausalLM.from_pretrained("./adapter-task1")

# Загрузка дополнительных адаптеров
model.load_adapter("./adapter-task2", adapter_name="task2")
model.load_adapter("./adapter-task3", adapter_name="task3")

# Переключение между адаптерами во время работы
model.set_adapter("task1")  # Используем адаптер task1
output1 = model.generate(**inputs)

model.set_adapter("task2")  # Переключаемся на task2
output2 = model.generate(**inputs)

# Отключение адаптеров (использование базовой модели)
with model.disable_adapter():
    base_output = model.generate(**inputs)

Сравнение методов PEFT

IA3 (минимум параметров)

from peft import IA3Config

ia3_config = IA3Config(
    target_modules=["q_proj", "v_proj", "k_proj", "down_proj"],
    feedforward_modules=["down_proj"]
)
model = get_peft_model(model, ia3_config)
# Обучает всего 0.01% параметров!

Prefix Tuning

from peft import PrefixTuningConfig

prefix_config = PrefixTuningConfig(
    task_type="CAUSAL_LM",
    num_virtual_tokens=20,      # Добавляемые в начало токены
    prefix_projection=True       # Использовать MLP-проекцию
)
model = get_peft_model(model, prefix_config)

Шаблоны интеграции

С TRL (SFTTrainer)

from trl import SFTTrainer, SFTConfig
from peft import LoraConfig

lora_config = LoraConfig(r=16, lora_alpha=32, target_modules="all-linear")

trainer = SFTTrainer(
    model=model,
    args=SFTConfig(output_dir="./output", max_seq_length=512),
    train_dataset=dataset,
    peft_config=lora_config,  # Передаём конфигурацию LoRA напрямую
)
trainer.train()

С Axolotl (конфигурация YAML)

# axolotl config.yaml
adapter: lora
lora_r: 16
lora_alpha: 32
lora_dropout: 0.05
lora_target_modules:
  - q_proj
  - v_proj
  - k_proj
  - o_proj
lora_target_linear: true  # Все линейные слои как целевые

С vLLM (инференс)

from vllm import LLM
from vllm.lora.request import LoRARequest

# Загрузка базовой модели с поддержкой LoRA
llm = LLM(model="meta-llama/Llama-3.1-8B", enable_lora=True)

# Инференс с адаптером
outputs = llm.generate(
    prompts,
    lora_request=LoRARequest("adapter1", 1, "./lora-adapter")
)

Бенчмарки производительности

Расход памяти (Llama 3.1 8B)

Скорость обучения (A100 80GB)

Качество (бенчмарк MMLU)

Частые проблемы

CUDA OOM во время обучения

# Решение 1: включить gradient checkpointing
model.gradient_checkpointing_enable()

# Решение 2: уменьшить размер батча + увеличить накопление градиентов
TrainingArguments(
    per_device_train_batch_size=1,
    gradient_accumulation_steps=16
)

# Решение 3: использовать QLoRA
from transformers import BitsAndBytesConfig
bnb_config = BitsAndBytesConfig(load_in_4bit=True, bnb_4bit_quant_type="nf4")

Адаптер не применяется

# Проверить, активен ли адаптер
print(model.active_adapters)  # Должно показать имя адаптера

# Проверить обучаемые параметры
model.print_trainable_parameters()

# Убедиться, что модель в режиме обучения
model.train()

Деградация качества

# Поднять ранг
LoraConfig(r=32, lora_alpha=64)

# Охватить больше модулей
target_modules = "all-linear"

# Больше обучающих данных и эпох
TrainingArguments(num_train_epochs=5)

# Снизить learning rate
TrainingArguments(learning_rate=1e-4)

Лучшие практики

1. Начинайте с r=8-16, повышайте, если качества не хватает
2. Берите alpha = 2 * rank как отправную точку
3. Охватывайте слои внимания + MLP для лучшего баланса качества и эффективности
4. Включайте gradient checkpointing ради экономии памяти
5. Сохраняйте адаптеры почаще (мелкие файлы, простой откат)
6. Проверяйте на отложенных данных до слияния
7. Применяйте QLoRA для моделей 70B+ на потребительском железе

Ссылки

• Advanced Usage — DoRA, LoftQ, стабилизация ранга, кастомные модули
• Troubleshooting — частые ошибки, отладка, оптимизация

Ресурсы

• GitHub: https://github.com/huggingface/peft
• Документация: https://huggingface.co/docs/peft
• Статья про LoRA: arXiv:2106.09685
• Статья про QLoRA: arXiv:2305.14314
• Модели: https://huggingface.co/models?library=peft