# Lumma-Fev-0.1B: локальные решения по тексту вместо генерации ответа

Источник: https://modelium.tech/zhurnal/lumma-fev-01b-local-typed-decisions-api/

FrontiersMind 25 сентября 2026 года загрузила Lumma-Fev-0.1B — модель на 154 млн параметров для локальной классификации, выбора варианта и оценки по шкале. Веса и код доступны на Hugging Face под Apache 2.0; пакет lumma-fev 0.1.1 добавляет локальный запуск и HTTP API. Модель работает с английским текстом, а качество на ваших задачах и калибровку вероятностей нужно проверить самостоятельно.

Lumma-Fev-0.1B: локальные решения по тексту вместо генерации ответа

25 сентября 2026 года FrontiersMind загрузила веса **Lumma-Fev-0.1B** и исходники модели на Hugging Face. В тот же день в PyPI появился пакет `lumma-fev` версии 0.1.1. Модель не пишет свободный ответ: она получает текст или JSON-состояние и набор типизированных вопросов, затем выдаёт варианты и вероятности. Это инструмент для маршрутизации обращений, разметки и других задач с заранее определёнными решениями, а не универсальный чат-бот. [s1](#src-s1) [s3](#src-s3) [s6](#src-s6)

## Что именно вышло

В репозитории лежат `model.safetensors`, токенизатор, конфигурация и Python-код модели. Метаданные весов показывают **154 102 848 параметров**: основная часть в BF16, небольшая головка в FP32. В качестве исходной модели указана собственная Nandi-Mini-150M; её закреплённая ревизия и Apache 2.0 проверяются отдельно. Код, веса Lumma-Fev и пакет PyPI помечены Apache 2.0; лицензия допускает коммерческое использование при соблюдении её условий и сохранении обязательных уведомлений. Это не означает, что любой производный продукт автоматически свободен от других обязательств. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3) [s4](#src-s4)

Поддерживаются три формата вопроса: `noul` — вероятность ответа «да»; `choice` — выбор из именованных вариантов; `score` — оценка по упорядоченной шкале. Один запрос может содержать несколько вопросов к одному состоянию. В отличие от генерации текста, приложение получает структурированный результат, но вероятность сама по себе не гарантирует правильности или калибровки на вашем потоке данных. [s1](#src-s1) [s5](#src-s5)

## Как попробовать локально

Разработчик предлагает Python 3.10+ и пакет `lumma-fev`. После установки `pip install lumma-fev` можно вызвать `lumma_fev.load("FrontiersMind/lumma-fev-0.1b", revision="2ba4653cadd473918e95d8e943690c14120769b8")` и метод `decide()` с состоянием и вопросами. Для приложения с HTTP-интерфейсом дополнительная установка `pip install 'lumma-fev[serve]'` предоставляет `lumma-fev-serve` и маршрут `POST /v1/systemone`. Документация автора заявляет совместимость этого маршрута с клиентами TypeSafe; Modelium интеграцию не испытывал. [s1](#src-s1) [s3](#src-s3)

Например, в обращении «I was charged twice» можно запросить `noul` для признака оплаты, `choice` для выбора команды и `score` для срочности. Эти варианты нужно определить заранее в собственной схеме. Пакет работает через Transformers/PyTorch; **готового GGUF или команды Ollama в опубликованном репозитории нет**. Пример прямой загрузки через Transformers требует `trust_remote_code=True`: прежде чем выполнять чужой Python-код в рабочем окружении, проверьте его и закрепите ревизию. [s1](#src-s1) [s3](#src-s3) [s5](#src-s5)

## Где границы применимости

Карточка указывает английский язык; другие языки не измерены. Состояние длиннее 1 408 токенов обрезается, а обучение проводилось на состояниях длиной до 384 токенов: качество на более длинных входах авторы не измеряли. Перед автоматическими действиями на основе ответов нужна собственная проверка точности и калибровки на ваших размеченных данных. Публичная карточка этого релиза не приводит сравнительного бенчмарка с независимыми моделями; оценок скорости и требований к RAM/VRAM мы не утверждаем. [s1](#src-s1)

**Практический вывод:** для закрытого контура обработки англоязычных обращений Lumma-Fev даёт открытые веса и готовый локальный API с типизированным ответом. Начните с пробного набора реальных обращений и порогов уверенности; для русского языка, произвольных ответов и критичных решений без проверки эта модель пока не обоснованный выбор. [s1](#src-s1) [s3](#src-s3)

## Источники

1. [FrontiersMind: Lumma-Fev-0.1B, модельная карточка и файлы (ревизия 2ba4653)](https://huggingface.co/FrontiersMind/lumma-fev-0.1b/tree/2ba4653cadd473918e95d8e943690c14120769b8) — получено 2026-09-25
2. [FrontiersMind: Nandi-Mini-150M, исходная модель и лицензия](https://huggingface.co/FrontiersMind/Nandi-Mini-150M/tree/31c8aceaa16e2611a5773bbefc6564db39043370) — получено 2026-09-25
3. [PyPI: lumma-fev 0.1.1, описание, версия и дата загрузки](https://pypi.org/project/lumma-fev/0.1.1/) — получено 2026-09-25
4. [FrontiersMind: текст лицензии Apache 2.0 и NOTICE модели](https://huggingface.co/FrontiersMind/lumma-fev-0.1b/blob/2ba4653cadd473918e95d8e943690c14120769b8/LICENSE) — получено 2026-09-25
5. [FrontiersMind: исходный код обработки типизированных вопросов](https://huggingface.co/FrontiersMind/lumma-fev-0.1b/blob/2ba4653cadd473918e95d8e943690c14120769b8/modeling_fev.py) — получено 2026-09-25
6. [Hugging Face: история коммитов Lumma-Fev-0.1B от 25 сентября](https://huggingface.co/api/models/FrontiersMind/lumma-fev-0.1b/commits/main) — получено 2026-09-25