basal 2.2 z autokalibracją: co robi basal-calibrate i po co kalibrować model decyzyjny

👁 127 przeczytań

19 października Remek Kinas wydał silnik basal 2.2 do swoich polskich modeli decyzyjnych. Najważniejsza nowość to basal-calibrate: narzędzie, które dopasowuje pewność modelu do Twoich danych. Oznaczasz kilkaset własnych przykładów, uruchamiasz kalibrację lokalnie i dostajesz plik z progami, przy których model może decydować sam. Nic nie wysyłasz na zewnątrz. Wyjaśniam, po co to jest, co pokazał test autora i co jeszcze weszło w wydaniu.

Po co kalibrować model decyzyjny

Model decyzyjny, taki jak basal-omni czy Jev od TypeSafe, przy każdej odpowiedzi podaje pewność, np. 0,92. Cała wartość tej liczby polega na tym, że można na niej oprzeć regułę: powyżej progu decyzja idzie automatycznie, poniżej trafia do człowieka albo większego modelu. To działa tylko wtedy, gdy pewność jest „uczciwa”, czyli gdy z decyzji z pewnością 0,9 rzeczywiście ok. 90% jest trafnych. Na tym polega kalibracja.

basal od początku ma plik kalibracji dołączony do modelu. Są w nim progi wyznaczone tak, żeby wśród przepuszczonych decyzji było najwyżej 1% albo 5% błędów. Haczyk: autor wyznaczył je na swoich danych. Gdy model trafia do innej dziedziny, z innym słownictwem i innymi pytaniami, pewność może się rozjechać z trafnością. Widziałem to w swoim teście: przy pewności co najmniej 0,9 basal-omni-1.0-mini miał rację w 35 z 40 polskich zgłoszeń, czyli w 87,5% (wyniki w tekście basal lokalnie).

Co pokazał test autora

Kinas sprawdził basal-omni-1.0-mini na zbiorze typed-decisions z Hugging Face, którego model wcześniej nie widział. Fabryczne ustawienie „1% błędu” przepuściło automatycznie 12,6% decyzji, czyli mniej więcej co ósmą, ale błędnych było wśród nich 8%, a nie 1%. Po kalibracji na części treningowej tego zbioru:

Błąd kalibracji mówi, o ile średnio deklarowana pewność mija się z rzeczywistą trafnością, więc im mniej, tym lepiej. Według notatki wydania po kalibracji żaden typ pytania nie przekroczył zadanego poziomu błędu. Przy weryfikacji twierdzeń (czy dokument potwierdza dane zdanie) próg 1% przepuścił automatycznie 54,8% przypadków testowych bez ani jednej pomyłki. Górna granica błędu z 95-procentową pewnością statystyczną to 1,1%.

Jak to wygląda w praktyce

1. Zbierasz przykłady. Każdy wiersz pliku JSONL to zapytanie dokładnie takie, jakie wysyłasz w produkcji, plus poprawna odpowiedź w polu gold przy każdym pytaniu.
2. Uruchamiasz kalibrację z tym samym modelem i trybem, którego używasz:

   basal-calibrate moje_przyklady.jsonl --model Remek/basal-omni-1.0-max --mode eager

   Narzędzie zapisuje plik CALIBRATION.custom.json i wypisuje raport: ile decyzji przechodzi automatycznie przy progu 1% i 5% oraz jaki jest wtedy błąd na odłożonej części Twoich danych.

3. Serwujesz model z nowym plikiem:

   basal-serve --model Remek/basal-omni-1.0-max --mode eager --calibration CALIBRATION.custom.json

• Ile przykładów: według autora kilkadziesiąt etykiet już przesuwa „temperatury”, czyli to, jak bardzo model ufa sobie przy danym typie pytania. Kilkaset zwykle wystarcza do progu 5%. Próg 1% wymaga ok. 1000 przykładów, bo w części do dopasowania musi się znaleźć co najmniej 299 przyjętych decyzji bez błędu.
• Mało danych: poniżej ustalonej liczby przykładów danego typu kalibracja miesza Twoje dane z fabrycznymi, proporcjonalnie do liczby etykiet.
• Sam raport: opcja --report-only tylko ocenia model albo plik kalibracji na Twoich danych, bez zapisywania nowego. To dobry sposób, żeby sprawdzić, czy basal w ogóle nadaje się do danego zadania.
• Plik pamięta model. Kalibracja zapisuje, na jakim modelu i wersji powstała. basal-serve ostrzega, gdy podasz plik od innego modelu, a z opcją --strict-calibration odmawia jego użycia.
• Prywatność: wszystko liczy się na Twoim sprzęcie, na tym samym silniku, którym serwujesz model.

Co jeszcze weszło w basal 2.2

• GGUF do Ollamy i llama.cpp dla basal-omni-1.0-mini i max, w wersjach Q8_0 i Q6_K, z kalibracją policzoną osobno dla tych plików.
• FP8 do vLLM dla mini i max (12 GB i 14 GB) z własną kalibracją.
• MLX dla Maca dla mini, max i 1.1-max. Na M4 Pro z 24 GB pamięci mini daje według autora 0,73 decyzji na sekundę przy 8 równoległych zapytaniach.
• Powtarzalne odpowiedzi w vLLM: z ustawieniem VLLM_BATCH_INVARIANT=1 dwa przebiegi dały tę samą odpowiedź na wszystkich 2000 decyzjach (bez niego w 94,7%), kosztem ok. 23% wolniejszego działania.
• Wkład społeczności:
  • Piotr Durlej - eksport do GGUF (basal-export-gguf),
  • Kuba Sołtys - tryb dla Google TPU,
  • Michał Kardyś - tryb dla AMD Strix Halo,
  • lukaspoloki - wizualizacja basal-viz,
  • Paweł Kiszczak - silniki MLX dla Maca.

Jak uruchomić mini przez Ollamę na Windowsie i jak wypadł na polskich zgłoszeniach, opisałem w poradniku basal lokalnie: Ollama, llama.cpp i Mac. Wszystkie modele decyzyjne, rankingi i moje testy są w przewodniku Modele decyzyjne AI.