# Falconsai выпустила falconsproof v2: локальный выбор ответа на ModernBERT

Источник: https://modelium.tech/zhurnal/falconsproof-v2-modernbert-local-decisions/

25 сентября 2026 года Falconsai опубликовала falconsproof v2.0 — локальную модель для выбора одного из заданных вариантов, а не генерации текста. В репозитории доступны дообученный ModernBERT-base, головы классификации, код и отчёт об оценке. Хотя в модели есть три специализированные головы, их маршрутизирующие пороги в этом чекпойнте закрыты: все решения принимает общая голова. Авторские тесты показывают пользу для маршрутизации обращений и некоторых задач сопоставления кода, но не подтверждают пригодность для поиска ошибок и математических рассуждений.

falconsproof v2: локальный выбор из заданных вариантов вместо генерации

25 сентября 2026 года Falconsai загрузила **falconsproof v2.0.0** (`Falconsai/proof_v2`). Это новый чекпойнт на ModernBERT-base: он получает текстовое состояние, вопрос и закрытый список из 2–20 вариантов, затем возвращает выбранный вариант, вероятности и маршрут решения. Модель не пишет произвольный ответ. История Hugging Face фиксирует загрузку файлов в 04:36 UTC и публикацию карточки в 04:41 UTC; после добавления файлов в корень репозитория в 04:44 UTC закреплена ревизия `c57d05a`. [s1](#src-s1) [s2](#src-s2)

## Что действительно новое

По сравнению с прежним `proof_V_1` авторы перешли с DistilBERT на ModernBERT-base, добавили общую listwise-голову и три специализированные — для обращений в поддержку, языка программирования и проверки логического следования. Репозиторий содержит `encoder/model.safetensors`, `heads.safetensors`, конфигурацию, собственный Python-код для инференса и JSON-отчёт. Установленный авторами предел входа — **384 токена для пары текст/вариант**, хотя исходная архитектура ModernBERT допускает более длинный ввод; не путайте эти пределы. [s1](#src-s1) [s3](#src-s3)

**Важное ограничение:** все три гейта специалистов в опубликованной конфигурации имеют пороги 1,01 и закрыты. Поэтому штатные ответы и приведённые авторские тесты принадлежат общей голове, а не системе с работающим маршрутизатором специалистов. Настраивать пороги вручную можно лишь после проверки на своих размеченных данных. [s1](#src-s1) [s3](#src-s3) [s4](#src-s4)

## Где применить — и где нельзя

Практический сценарий: локально распределять обращения между отделами, выбирать категорию документа или ранжировать несколько заранее заданных действий агента. В отличие от удалённого API, текст можно обрабатывать в собственном контуре; производительность на конкретном CPU или GPU Modelium **не измерял**. Если правильного варианта может не быть в списке, добавляйте «ни один из перечисленных»: модель всё равно выберет один из предложенных пунктов. Код модели из репозитория следует изучить перед исполнением в доверенном окружении. [s1](#src-s1)

По **авторскому** отчёту: на 5 096 тестовых решениях точность составила 81,3% при неоднородном наборе задач; для Bitext-маршрутизации — 95,8% на 120 примерах, для ранее не использованного в обучении Banking77 — 88,3% на 120. Но тест поиска уязвимостей Devign дал 54,2%, поиск клонов BigCloneBench — 38,3%, а GSM8K — 27,5%. Не используйте чекпойнт для подтверждения безопасности кода или арифметических решений. Выборка в основном англоязычная и насыщена задачами о коде, поэтому переносимость результатов на русскоязычную поддержку не доказана. Это результаты авторов, не независимое тестирование Modelium. [s1](#src-s1) [s4](#src-s4)

В отчёте указан один запуск с пресетом `small`, seed 42 и одной эпохой на каждом этапе; для обучения авторы использовали NVIDIA GeForce RTX 5090 Laptop GPU. **Это конфигурация авторского обучения, а не минимальное требование для инференса**. Сравнение с v1 в карточке сделано по разным случайным тестовым выборкам, поэтому из него нельзя напрямую вычислять прирост качества на одном и том же наборе. [s1](#src-s1) [s4](#src-s4)

## Как запустить локально

Карточка предлагает установить `torch`, `transformers>=4.48,<5`, `safetensors`, `huggingface_hub` и `numpy`, скачать закреплённую ревизию и загрузить модуль `falconsproof_modeling.py`. Поскольку используется загружаемый Python-код, предварительно проверьте его в репозитории. Минимальный пример по интерфейсу автора:

import importlib.utilfrom huggingface_hub import snapshot_downloadpath = snapshot_download('Falconsai/proof_v2', revision='c57d05a130f068f156423cc49f4424bc0fa74ef0')spec = importlib.util.spec_from_file_location('falconsproof_modeling', f'{path}/falconsproof_modeling.py')fpm = importlib.util.module_from_spec(spec)spec.loader.exec_module(fpm)model, tokenizer = fpm.FalconsProof.load(path)result = fpm.decide(model, tokenizer, state='I forgot my password', questions=[    {'question': 'Which team should handle this?', 'options': ['account recovery', 'shipping', 'billing']}])print(result['results'][0]['choice'])

По карточке загрузчик выбирает CUDA, если она есть, иначе CPU; скачивание полного пакета и реальный прогон этого примера редакция не выполняла. Веса энкодера занимают около 596 МБ на диске, файл голов — около 9,5 МБ; эти цифры не равны потреблению RAM/VRAM. [s1](#src-s1) [s5](#src-s5)

## Лицензия и ограничения

Метаданные и карточка производного чекпойнта указывают **Apache 2.0** для весов и кода; исходный `answerdotai/ModernBERT-base` тоже помечен Apache 2.0. Отдельного файла LICENSE в дереве производного репозитория на момент проверки нет, а авторы рекомендуют отдельно изучить лицензии учителей и обучающих датасетов перед перераспространением производных данных. Apache 2.0 допускает коммерческое применение при соблюдении её условий, но это не означает, что все связанные датасеты и учителя переданы на тех же условиях. [s1](#src-s1) [s5](#src-s5) [s6](#src-s6)

**Вывод:** для локального выбора из небольшого числа заданных действий это проверяемый стартовый чекпойнт с опубликованным отчётом. Для production-маршрутизации сначала измерьте качество и калибровку на собственных сообщениях, особенно на русском; закрытые гейты и слабые результаты на части задач нельзя скрывать за общей точностью.

## Источники

1. [Falconsai/proof_v2 — закреплённая карточка модели](https://huggingface.co/Falconsai/proof_v2/blob/c57d05a130f068f156423cc49f4424bc0fa74ef0/README.md) — получено 2026-09-25
2. [Falconsai/proof_v2 — история коммитов Hugging Face](https://huggingface.co/api/models/Falconsai/proof_v2/commits/main?limit=25) — получено 2026-09-25
3. [Falconsai/proof_v2 — falconsproof_config.json](https://huggingface.co/Falconsai/proof_v2/blob/c57d05a130f068f156423cc49f4424bc0fa74ef0/falconsproof_config.json) — получено 2026-09-25
4. [Falconsai/proof_v2 — авторский falconsproof_report.json](https://huggingface.co/Falconsai/proof_v2/blob/c57d05a130f068f156423cc49f4424bc0fa74ef0/falconsproof_report.json) — получено 2026-09-25
5. [Falconsai/proof_v2 — манифест файлов и весов](https://huggingface.co/api/models/Falconsai/proof_v2?blobs=true) — получено 2026-09-25
6. [answerdotai/ModernBERT-base — официальный исходный чекпойнт](https://huggingface.co/answerdotai/ModernBERT-base) — получено 2026-09-25