agmind-rag-splitter-ru/README.md

language, license, base_model, datasets, pipeline_tag, tags

language	license	base_model	datasets	pipeline_tag	tags
ru	apache-2.0	t-tech/T-lite-it-2.1	AGmind/agmind-rag-splitter-ru-data	text-generation	rag chunking text-segmentation russian lora

RU Context-Aware Document Splitter (T-lite-it-2.1 LoRA)

Дообучение t-tech/T-lite-it-2.1 (Qwen3-8B), которое режет русские документы на самодостаточные смысловые чанки для RAG, держа таблицы/код целыми. На вход — текст, заранее разбитый на нумерованные юниты; на выход — индексы границ + topic в JSON.

Использование

Это completion-модель, обученная на raw-Alpaca промпте (без чат-шаблона). Сначала разбей документ на нумерованные юниты; чанки собери на хосте по возвращённым индексам.

Промпт:

### Instruction:
Раздели документ на смысловые части для системы поиска (RAG). Каждая часть читается независимо, не разрывая предложений, таблиц и кода. Верни ТОЛЬКО номера единиц, после которых проходит граница, в формате JSON.

### Input:
[1] Первое предложение. [2] Второе. [3] | таблица |...|
### Response:

Вывод: {"splits": [2], "topic": "..."} — splits = индексы юнитов, после которых граница (1-индексные). Режь оригинал по этим точкам.

Полный пре-/пост-процессинг + рецепт сервинга на llama.cpp — в GitHub-репозитории.

Результаты (согласие с метками учителя)

Исходный snapshot N=300 из holdout-1500:

Валидный JSON	F1@0	F1@±1	exact-set
100%	0.656	0.821	29%

Перепроверка на полном holdout-1500 (2026-06-26, raw stdout — в eval/ GitHub-репозитория):

Прогон	JSON	F1@0	F1@±1	exact
HF bf16	99.9%	0.665	0.825	30.0%
GGUF Q5_K_M, AMD Vulkan	100%	0.661	0.826	29.9%

На полном holdout GGUF Q5_K_M практически равен HF-модели; работает на AMD Vulkan через llama.cpp.

Данные

Датасет: AGmind/agmind-rag-splitter-ru-data (~17k train + 12k синтетика, дистилляция от DeepSeek-V4-Flash).

Обучение

bf16 LoRA (r32, rsLoRA, all-linear, response-only) на RTX 5090; ~17k примеров дистилляции (DeepSeek-V4-Flash). См. docs/methodology.md в репо.

Файлы

• LoRA-адаптер / merged FP16-веса
• *-Q5_K_M.gguf (llama.cpp, Vulkan/CPU)

Ограничения

Метрики — согласие с учителем, не human-ground-truth. Лёгкая пере-сегментация. Для очень больших таблиц нужна отдельная табличная стратегия, а не эта боундари-модель.

Лицензия

Apache-2.0 (наследует лицензию базы T-lite-it-2.1).