# Lumma-Fev-27B: новая локальная модель для выбора из заданных вариантов

Источник: https://modelium.tech/zhurnal/lumma-fev-27b-local-decision-model/

14 октября FrontiersMind представила Lumma-Fev-27B: вместо свободного текста модель выбирает ответ из вариантов, которые вы заранее задали, и возвращает вероятность каждого. Веса доступны для локального запуска, но это крупная модель: автор рекомендует GPU с примерно 55 ГБ свободной видеопамяти. Для обычного домашнего компьютера это не готовый рецепт.

Lumma-Fev-27B: когда нужен выбор из вариантов, а не ответ чат-бота

Представьте очередь обращений: сообщение об ошибке подключения нужно направить в поддержку, а вопрос о возврате денег — в отдел платежей. FrontiersMind 14 октября 2026 года представила Lumma-Fev-27B для таких решений: программа получает текст и список вариантов, а модель выдаёт вероятности для каждого. Она не пишет ответ клиенту. Это новая, значительно более крупная версия семейства Lumma-Fev; для владельца обычного ноутбука переходить на неё не требуется. [s1](#src-s1)

## Что именно вышло?

В открытом репозитории лежат 11 файлов весов Safetensors, отдельная часть для выдачи решения и конфигурация модели. Веса — результат дообучения Qwen3.8-27B; авторы заявляют около 100 тысяч обучающих примеров. Доступны английский, хинди, тамильский и каннада; русский в поддерживаемых языках не указан. Репозиторий помечен Apache 2.0 и содержит текст этой лицензии и NOTICE с атрибуцией исходной Qwen. Это условия опубликованных весов, а не автоматическое утверждение о правах любого стороннего приложения или сервиса. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3) [s4](#src-s4)

## Кому поможет модель?

Её задача — классифицировать уже известные варианты, например выбрать команду для обращения или ответить «да/нет» на вопрос о срочности. В отличие от обычного чат-бота, вы заранее задаёте названия вариантов, а результатом становится структурированное решение с вероятностями. Вероятность — оценка модели, не гарантия правильности; автоматическое действие по ней стоит разрешать только после проверки на собственных размеченных примерах. Типы вопросов `choice` (выбор) и `noul` (да/нет) авторы обучали и оценивали, а `score` (упорядоченная оценка) интерфейс принимает, но для этой версии он не испытан. [s1](#src-s1) [s2](#src-s2)

## Насколько хороши результаты?

По измерениям самих FrontiersMind на наборе из 4454 отложенных решений Lumma-Fev-27B дала 90,7% правильных ответов против 83,9% у TypeSafe Jev. Jev в этом сравнении запускался через удалённый API версии 1.13, так что это не сравнение скорости двух локальных программ. Авторы также пишут, что Jev лучше на части общих задач рассуждения; тесты на индийских языках были внутренними. Независимого повторения этих измерений у Modelium нет, а качество на русских обращениях из них не следует. [s1](#src-s1)

## Можно ли поставить её на домашний компьютер?

Официальная карточка рекомендует для одного GPU около 55 ГБ свободной видеопамяти и в качестве ориентира называет карту на 80 ГБ; также описан вариант с несколькими GPU. Это рекомендация авторов для данного запуска, а не универсальный минимум для каждой конфигурации. Архив весов сам по себе не определяет потребность в оперативной или видеопамяти. Авторы предлагают Python-пакет `lumma-fev` версии 0.2 и пример на английском: текст обращения об ошибке подключения с вариантами «платежи», «поддержка», «продажи» должен дать выбор «поддержка». Это пример из документации, **не запуск редакции** и не обещание того же числа вероятности на вашем оборудовании. [s2](#src-s2) [s5](#src-s5)

Для первого знакомства без такого GPU разумнее начать с [ранее описанной Lumma-Fev-0.1B](/zhurnal/lumma-fev-01b-local-typed-decisions-api/), но не переносить на маленькую версию измерения качества 27B: это разные модели. Если ваши данные на русском, сначала отдельно проверьте качество на собственных примерах, прежде чем доверять автоматической маршрутизации. [s1](#src-s1) [s2](#src-s2)

## Источники

1. [FrontiersMind: Introducing Lumma-Fev-27B (14 October 2026)](https://huggingface.co/blog/FrontiersMind/lumma-fev-27b) — получено 2026-10-14
2. [FrontiersMind/Lumma-fev-27B: pinned model card and files](https://huggingface.co/FrontiersMind/Lumma-fev-27B/tree/2c080fb4b44bbad2a140353393d935e8b7af8bcb) — получено 2026-10-14
3. [Lumma-Fev-27B LICENSE, pinned revision](https://huggingface.co/FrontiersMind/Lumma-fev-27B/blob/2c080fb4b44bbad2a140353393d935e8b7af8bcb/LICENSE) — получено 2026-10-14
4. [Lumma-Fev-27B NOTICE, pinned revision](https://huggingface.co/FrontiersMind/Lumma-fev-27B/blob/2c080fb4b44bbad2a140353393d935e8b7af8bcb/NOTICE) — получено 2026-10-14
5. [PyPI: lumma-fev 0.2.0](https://pypi.org/project/lumma-fev/0.2.0/) — получено 2026-10-14