Fine-Tuning та LoRA під корпоративні дизайн-системи та бібліотеки

Архитектурная база#

Базовые (Base) и даже инструктивные (Instruct) модели общего назначения (например, Qwen, DeepSeek) отлично знают популярные открытые фреймворки (React, Laravel). Однако они совершенно ничего не знают о внутренних проприетарных фреймворках, корпоративных дизайн-системах и архитектурных конвенциях конкретной Enterprise-компании.

Решение проблемы в виде добавления всего контекста в промпт (RAG) имеет ограничения: контекстное окно дорого в вычислениях, увеличивает задержку (Latency) и не всегда заставляет модель строго следовать неявным правилам стилистики. Архитектурным решением выступает Parameter-Efficient Fine-Tuning (PEFT), в частности алгоритм LoRA (Low-Rank Adaptation).

Концепция LoRA заключается в том, что вместо полного дообучения всех миллиардов параметров модели (Full Fine-Tuning), которое требует огромных кластеров GPU и месяцев времени, мы "замораживаем" базовую модель и обучаем лишь небольшие добавочные матрицы (адаптеры). Адаптер весит мегабайты, обучается за часы на одном GPU и динамически "подключается" к базовой модели в момент инференса (через vLLM).

Ментальная модель#

Вместо изменения оригинальных весов модели (W), мы вычисляем дельту изменений (ΔW), раскладывая её на две матрицы малого ранга (A и B): ΔW = B · A.

[ Input Token ]
       |
       +------------------------------------+
       |                                    |
       v                                    v
[ Frozen Base Weights (W) ]       [ LoRA Adapter Matrix A ]
       |                                    |
       |                                    v
       |                          [ LoRA Adapter Matrix B ]
       |                                    |
       +------------------------------------+
       |
       v
[ Aggregated Output ] -> (Specific Enterprise Code Style)

На практике применяется#

1. Генерация компонентов корпоративной дизайн-системы: Дообучение модели на 500+ примерах использования внутреннего UI-кита (основанного на React). Модель учится использовать правильные импорты (import { Button } from '@corp/ui') и обязательные пропсы вместо стандартного HTML/Tailwind.
2. Миграция легаси-кода: Обучение LoRA-адаптера на парах "Старый PHP 5 код → Новый TypeScript код по стандартам компании". Адаптер улавливает нетипичные паттерны маппинга данных, свойственные конкретному проекту.
3. Строгое следование линтерам: Адаптация модели под внутренние, нестандартные правила форматирования кода, снижающая количество циклов исправления (lint fix) агентами при генерации пулл-реквестов.

Как это работает#

Первый шаг — подготовка качественного набора данных. Стандартом является формат JSONL с ролевой структурой сообщений (ChatML).

{"messages": [{"role": "system", "content": "You are a frontend developer using the Corp UI-Kit."}, {"role": "user", "content": "Создай форму логина с email и паролем"}, {"role": "assistant", "content": "import { Flex, Input, Button, Text } from '@corp/ui';\n\nexport const LoginForm = () => (\n  <Flex direction='column' gap={4}>\n    <Text variant='h2'>Вход</Text>\n    <Input name='email' type='email' placeholder='Рабочий Email' />\n    <Input name='password' type='password' />\n    <Button variant='primary' submit>Войти</Button>\n  </Flex>\n);"}]}
{"messages": [{"role": "system", "content": "You are a frontend developer using the Corp UI-Kit."}, {"role": "user", "content": "Кнопка отмены действий"}, {"role": "assistant", "content": "import { Button } from '@corp/ui';\n\nexport const CancelButton = ({ onCancel }) => (\n  <Button variant='secondary' size='sm' onClick={onCancel}>Отменить</Button>\n);"}]}

После того как датасет подготовлен и LoRA-адаптер обучен (с использованием Python-фреймворков вроде Unsloth или HuggingFace TRL), мы получаем компактный каталог с весами адаптера (например, /models/adapters/corp-ui-lora).

Современные инференс-серверы, такие как vLLM, умеют загружать базовую модель один раз в VRAM, и динамически (Multi-LoRA) применять различные адаптеры для разных запросов (Multi-LoRA serving). Взаимодействие через TypeScript SDK выглядит так:

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "http://vllm-server:8000/v1",
  apiKey: "local",
});

export async function generateCorporateComponent(prompt: string): Promise<string> {
  const response = await client.chat.completions.create({
    // Здесь указываем имя LoRA-адаптера, а не базовую модель.
    // vLLM сам перенаправит запрос через нужные матрицы
    model: "corp-ui-lora", 
    messages: [
      { 
        role: "system", 
        content: "You are a frontend developer using the Corp UI-Kit." 
      },
      { role: "user", content: prompt }
    ],
    temperature: 0.1, // Низкая температура для жесткого следования синтаксису
  });

  return response.choices[0]?.message.content ?? "";
}

Распространённые ошибки#