CMF: новый формат для создания специализированных LLM моделей
Открыт новый открытый формат CMF для нейросетей, позволяющий накладывать несколько специализированных способностей на одну модель без хранения отдельных полных файлов. Отличия от GGUF и SafeTensors, GitHub‑репозиторий уже доступен.
Что такое CMF?
CMF (Composable Model Format) – это первый публичный открытый формат, разработанный специально для создания специализированных LLM‑моделей. В отличие от традиционных форматов, таких как GGUF и SafeTensors, CMF позволяет комбинировать несколько способностей (например, юридический, медицинский и программный контекст) в единой структуре без необходимости хранить отдельные полные модели.
Ключевые отличия от GGUF и SafeTensors
| Характеристика | GGUF | SafeTensors | CMF | |----------------|------|-------------|-----| | Статический набор параметров | Да | Да | Динамический набор модулей | | Возможность наложения способностей | Нет | Нет | Да | | Требуемый объём диска | Полные модели | Полные модели | Только диффы/модули | | Открытый спецификатор | Частичный | Частичный | Полностью открытый |
Как работает наложение способностей?
Формат CMF хранит базовую модель и отдельные модульные диффы, описывающие изменения параметров, необходимые для конкретной задачи. При загрузке система динамически «склеивает» базу и выбранные диффы, формируя готовую к использованию модель. Это экономит до 80 % места на диске при работе с несколькими специализациями.
Где взять CMF?
Полный спецификатор и примеры реализации опубликованы в репозитории GitHub: https://github.com/CMF‑format. Автор приглашает разработчиков расширять возможности формата и проверять его на собственных задачах. Уже доступны утилиты для конвертации из GGUF и SafeTensors в CMF.
Что дальше?
Ожидается появление плагинов для популярных фреймворков (LangChain, HuggingFace Transformers) и интеграций в LLM‑операторы. Формат может стать базой для более гибкой экосистемы модульных моделей, где каждый специалист будет подбирать нужные «модули», а не скачивать целые модели.
CMF открывает путь к более экономичной и гибкой разработке LLM‑моделей: студенты и разработчики смогут экспериментировать с отдельными навыками без тяжёлой загрузки полных моделей. Однако потребуется адаптация инструментов и новых пайплайнов, а также внимание к совместимости модулей.
