Как дообучить свою нейросеть без программирования: пошаговый гайд
LLaMA-Factory, модель Qwen и твои примеры: девять шагов от разметки сообщений до мини-нейросети, которая сама сортирует жалобы, возвраты и доставку.
Евгений Арсентьев · PhDПроверено на точность — Евгений Арсентьев, PhD · 2026-10-31
Ты написал «инженер» — вот обещанный гайд. Собираем то, о чём был ролик: берём готовую открытую модель Qwen, дообучаем её на своих примерах и получаем мини-нейросеть, которая сама раскладывает входящие сообщения на три кучки — жалоба, возврат, вопрос по доставке. Инструмент — LLaMA-Factory, тот самый бесплатный проект китайского инженера Яовэя Чжэна, у которого 75 тысяч звёзд на гитхабе.
Ни одной строчки кода ты не напишешь. Всё, что надо поставить и настроить, делает твой агент — ты копируешь ему фразы из статьи и смотришь на результат. Кнопка «запустить обучение» в браузере правда есть, и она правда одна. Только она — последние пять процентов работы, а остальные девяносто пять — твои размеченные руками примеры. Поэтому шагов девять, а не один, и первый из них — проверить, нужно ли тебе дообучение вообще.
Что понадобится
Собери это до начала
- 1Компьютер с агентом (Claude Code) — он сам поставит LLaMA-Factory и откроет веб-интерфейс в браузере.
- 2Твои настоящие сообщения от пользователей — выгрузка из чата, почты или CRM. Несколько сотен минимум.
- 3Два-три вечера на разметку: у каждого сообщения ты руками ставишь метку — жалоба, возврат или доставка.
- 4Карта для оплаты аренды GPU в облаке на несколько часов, если своей видеопамяти не хватит. Дообучение ест видеопамять, на макбуке упрёшься быстро.
- 5Спокойное отношение к тому, что первый прогон выйдет кривым и обучение придётся повторить.
Настраиваем по шагам
Шаг 1. Проверь, нужно ли тебе дообучение
Дообучение оправдано, когда поток однотипный: сотни сообщений в день и одни и те же три-четыре категории месяцами. Если сообщений мало или задача разовая, обычный запрос к готовой модели сделает то же самое быстрее и бесплатно. Поэтому сначала измеряем, насколько хорошо справляется модель без всякого обучения — эта цифра потом будет точкой сравнения.
«Я пришлю тебе 30 своих сообщений от пользователей. Рассортируй их на жалобу, возврат и вопрос по доставке обычным запросом к готовой модели, без всякого обучения. Покажи таблицу: сообщение, твоя метка, моя метка. Посчитай, в каком проценте случаев ты угадал, и скажи честно, есть ли смысл городить дообучение или мне хватит хорошо написанного запроса.»
На выходе у тебя одна цифра — процент попаданий. Если это 90 и выше, закрывай статью и работай запросом к готовой модели: сэкономишь вечера и деньги за GPU. Если модель путается на твоём сленге, артикулах и шаблонных формулировках клиентов — 60-70 процентов — идёшь дальше. Запиши эту цифру, она понадобится на шаге 8.
Шаг 2. Размечаешь свои примеры — это и есть девяносто пять процентов работы
Модель выучит ровно то, что ты разметил руками, вместе со всеми твоими ошибками. Самая скучная часть, и за тебя её не сделает никто: только ты знаешь, что «где мой заказ, уже неделя» — это доставка, а «неделю жду, верните деньги» — возврат. Агент помогает с формой и проверяет твою разметку на противоречия, но решение по каждому сообщению твоё.
«Помоги собрать обучающий набор для LLaMA-Factory. Объясни простыми словами, в каком виде она ждёт примеры для сортировки сообщений, и сделай мне заготовку таблицы: текст сообщения и метка — жалоба, возврат, доставка. Когда я заполню, проверь разметку: найди одинаковые по смыслу сообщения с разными метками и перекос, если одной категории сильно больше остальных. Скажи, сколько примеров на категорию нужно минимум. И отложи десятую часть примеров в отдельную проверочную группу — в обучении их не используй.»
Должна получиться таблица, где на каждую из трёх категорий примеров примерно одинаково, а не 400 жалоб и 12 возвратов. Пролистай её глазами сверху вниз: если ты сам спотыкаешься и не можешь решить, жалоба это или возврат, — модель тоже споткнётся. Такие сообщения лучше выбросить, чем разметить наугад.
Шаг 3. Решаешь, где считать: свой компьютер или арендованный GPU
Дообучение ест видеопамять, и на ноутбуке ты упрёшься в потолок на первой же модели побольше. Реальный путь — арендовать GPU в облаке на несколько часов и заплатить за время. Это не разорение, но и не бесплатно, поэтому сумму считаем заранее, до того как что-то запускать.
«Посмотри, что у меня за компьютер и сколько памяти реально доступно. Скажи прямо, хватит ли этого, чтобы дообучить небольшую модель Qwen на моём наборе примеров, или придётся арендовать GPU в облаке. Если придётся — назови два-три варианта аренды, сколько примерно стоит час и сколько часов уйдёт на мою задачу. Посчитай итоговую сумму и дождись моего решения, сам ничего не арендуй и не оплачивай.»
У тебя на руках ответ «хватает» или «не хватает» и понятная сумма за всё удовольствие. Решение принимаешь ты: агент не должен уходить арендовать железо по своей инициативе. Если сумма кажется большой для проверки идеи — начни с самой маленькой модели и части примеров, просто чтобы пройти весь путь до конца.
Шаг 4. Агент ставит LLaMA-Factory и открывает веб-интерфейс
Вот здесь начинается то, что в ролике выглядит как «максимально user-friendly интерфейс». Так и есть, но кто-то должен его установить — этим занимается агент, целиком и без твоего участия. Твоя задача — дождаться ссылки и открыть её в браузере.
«Поставь на этот компьютер LLaMA-Factory — бесплатный проект Яовэя Чжэна для дообучения моделей — и запусти её веб-интерфейс так, чтобы он открылся у меня в браузере. Все нужные программы и зависимости поставь сам, меня не спрашивай. Если что-то не встанет, разберись и попробуй другой способ, а мне напиши одной строкой: готово, вот ссылка. Потом расскажи на русском, что за вкладки я вижу на экране и за что каждая отвечает.»
В браузере открывается страница с вкладками, язык интерфейса переключается. Глазами ищешь три вещи: поле выбора модели, список данных для обучения и кнопку запуска обучения. Если видишь их — установка прошла, можно идти дальше. Если агент бодро отчитался «готово», а страница не открывается — так и скажи ему, пусть доводит до конца.
Шаг 5. Подключаешь свои примеры, чтобы они появились в интерфейсе
В ролике это выглядит как «загружаю ей свои примеры». На практике твой набор надо сначала показать программе, чтобы он появился в списке данных на экране. Это ровно тот шаг, где люди чаще всего застревают, и ровно та работа, которую агент делает за тебя.
«Сделай так, чтобы мой набор размеченных сообщений появился в списке данных внутри веб-интерфейса LLaMA-Factory. Скажи, куда положить мой файл, и сам пропиши всё, что нужно, чтобы интерфейс его увидел. Потом открой предпросмотр и проверь, что показываются именно мои примеры и метки, а не демонстрационные. Опиши мне, что видно на экране.»
В списке данных появляется строка с твоим набором. Нажми предпросмотр и прочитай первые несколько записей: это должны быть твои сообщения с твоими метками. Если видишь английские демонстрационные примеры про что угодно, кроме доставки и возвратов, — набор не подключился, и обучать ты будешь не то.
Шаг 6. Выбираешь модель Qwen под свою задачу
Сортировка сообщений на три категории — задача простая, огромная модель для неё не нужна и только съест видеопамять и часы аренды. Маленькая Qwen справляется с этим нормально, если примеры у тебя чистые. Пусть агент выберет размер под то железо, которое ты определил на шаге 3, и объяснит, почему именно такой.
«Подскажи, какую именно Qwen выбрать в LLaMA-Factory под мою задачу — раскладывать сообщения на жалобу, возврат и доставку — с учётом железа, которое мы выбрали. Назови размер модели и объясни, почему не больше и не меньше. Выставь её в интерфейсе сам. И расскажи простыми словами, без терминов, что означают экономный режим обучения и поле с количеством проходов по моим примерам, и какие значения поставить для первого прогона.»
В поле модели стоит конкретная Qwen, а не пустота, и ты понимаешь из объяснения агента, почему именно эта. Остальные настройки для первого прогона оставь как предложил агент — подкручивать их имеет смысл только после того, как увидишь результат проверки на шаге 8.
Шаг 7. Нажимаешь «запустить обучение» и смотришь на график
Та самая кнопка из ролика. Нажимаешь её ты сам, прямо в браузере, и дальше в интерфейсе начинает рисоваться график. Процесс идёт от десятков минут до нескольких часов — на арендованном железе это прямые деньги, поэтому не уходи совсем.
«Я нажимаю кнопку запуска обучения. Следи за процессом вместе со мной: объясни, что показывает график, который рисуется на экране, и как по нему понять, что обучение идёт нормально, а не впустую. Если выскочит ошибка — переведи её на русский, назови причину и предложи, что поменять. Когда всё закончится, скажи, сколько времени ушло и где теперь лежит готовая дообученная модель.»
Нормальный график — кривая, которая довольно быстро падает и дальше выравнивается. Если она прыгает вверх-вниз без всякой логики, дело почти всегда в данных: мало примеров или разметка противоречит сама себе, и лечится это на шаге 2, а не настройками. В конце интерфейс сообщает, что обучение завершено, и у тебя появляется своя дообученная модель.
Шаг 8. Проверяешь модель на сообщениях, которых она не видела
Это шаг, который почти все пропускают, а он решающий. Проверять модель на тех же примерах, на которых ты её учил, бессмысленно — она их помнит. Нужны отложенные примеры из шага 2 и честный процент попаданий по каждой категории отдельно.
«Подключи мою дообученную модель к чату внутри LLaMA-Factory и прогони через неё отложенные примеры, которых в обучении не было. Сведи результат в таблицу: сообщение, метка модели, моя метка. Посчитай процент совпадений по каждой категории отдельно и покажи десять случаев, где модель ошиблась. Скажи, что она путает чаще всего и каких примеров ей не хватает.»
Сравни полученный процент с цифрой из шага 1. Если дообученная модель не обогнала обычный запрос к готовой модели — обучение не удалось, и возвращаться надо к разметке, а не к настройкам. Если обогнала и путается в одном понятном месте, например возврат против жалобы, — добавь примеров именно на эту пару и прогони обучение ещё раз. Второй прогон почти всегда лучше первого.
Шаг 9. Ставишь на поток и оставляешь человека на спорном
Модель расставляет метки, а не принимает решения. Деньги клиенту возвращает человек, спорное сообщение разбирает человек. Собери схему так, чтобы всё, в чём модель не уверена, уезжало в отдельную ручную очередь, а не исполнялось автоматически.
«Опиши простыми словами, как подключить мою дообученную модель к ежедневному потоку сообщений: что происходит с каждым новым сообщением, куда записывается метка и как уходит в отдельную ручную очередь всё, в чём модель не уверена. Нарисуй схему словами, по шагам. И предупреди отдельно, какие шаги мне нельзя отдавать модели без проверки человеком.»
На выходе — схема на одну страницу, по которой понятно, что делает модель, что делает человек и куда падают спорные случаи. Первую неделю просматривай метки глазами хотя бы выборочно: так ты быстро увидишь категории, которых в твоей разметке не было вообще, а в реальном потоке они есть.
Личные данные. Сообщения пользователей — это имена, телефоны, адреса и номера заказов. Арендованный GPU в облаке — чужой компьютер, и всё, что ты туда загрузил, лежит у провайдера. Попроси агента вычистить личные данные из примеров до загрузки: для сортировки на жалобу, возврат и доставку они не нужны. Деньги. Аренда тарифицируется по часам и продолжает тикать после того, как обучение закончилось. Выключай машину сам и проси агента напомнить об этом по завершении. Интерфейс. LLaMA-Factory живёт и обновляется, названия вкладок и кнопок переезжают — если инструкция агента не совпадает с тем, что ты видишь на экране, опиши ему экран словами, и пусть ориентируется на реальность, а не на память. Разметка. Модель повторит твои ошибки: неаккуратная метка в примерах превращается в систематическую ошибку на потоке.
Кому подходит
Подходит, если поток однотипных задач у тебя уже есть: сотни сообщений в день, три-пять устойчивых категорий, которые не меняются каждую неделю, и несколько вечеров, которые ты готов потратить на разметку руками. Тогда своя маленькая модель будет работать стабильнее и дешевле, чем запрос к большой на каждое сообщение. Не подходит, если данных мало, задача разовая или категории плывут — обычный запрос к готовой модели сделает то же самое быстрее и бесплатно. Человек обязателен в двух местах: разметка примеров и разбор спорных случаев. Отдать модели сами решения по деньгам и возвратам нельзя.
И про сроки честно. Нашу контент-фабрику ИИ-роликов мы строили год, прежде чем пошли первые лиды, и идут они с органики, а не с платной рекламы. Это нормальная долгая стратегия. С дообучением та же логика: кнопка в браузере нажимается за секунду, а работа, после которой от этой кнопки есть толк, занимает недели.
Своя мини-нейросеть на базе открытой Qwen, обученная на твоих примерах под твои три категории, проверенная на сообщениях, которых она не видела, и встроенная в ежедневный поток со ручной очередью для спорного. Без единой строчки кода: всё поставил и настроил агент, твоя часть — примеры, разметка и решения. Инструмент бесплатный, платишь только за часы аренды GPU.
Бесплатный курс
Хватит читать про ИИ — начни строить с ним
Бесплатный курс Claude Code: свой первый сайт, инструмент или игра — без программирования. Без апсейлов и кросс-сейлов — здесь нечего купить.
Начать →Автор
Евгений Арсентьев
PhD · CEO, digital health
Чтение — хорошее начало
Хочешь реально это построить?
Гайды объясняют. Бесплатный курс превращает — персонально, с геймификацией и заточенный на быстрый запуск.
Начать бесплатный курс →