Обучить нейросеть на своих данных дома: 20 минут на ноутбуке

Что нужно на входе: три проверки за минуту

Первое - версия Python. Это программа, на которой Soup работает, и здесь у него узкая вилка: от 3.10 до 3.12 включительно. Проверь в том же окне для ввода команд:

python3 --version

На Windows та же проверка пишется как py --version. Увидишь что-то от 3.10 до 3.12 - идёшь дальше. Увидишь 3.13 или 3.14 - останавливайся: на них получится самая подлая поломка из всех, я её разбираю ниже. Ставим 3.12 рядом, старую версию сносить не нужно.

Где её взять. Открой в браузере python.org/downloads/release/python-31210/ - это Python 3.12.10, последняя версия ветки 3.12 с готовым установщиком (дальше в этой ветке выкладывают только исходники, ставить их руками новичку незачем). На странице пролистай до таблицы Files. Для Mac качай строку «macOS 64-bit universal2 installer», файл называется python-3.12.10-macos11.pkg. Для Windows - строку «Windows installer (64-bit)», файл python-3.12.10-amd64.exe.

На Mac запусти скачанный pkg и жми «Продолжить» до конца, ничего не меняя. На Windows запусти exe и на ПЕРВОМ же экране поставь галочку «Add python.exe to PATH» внизу окна, только потом «Install Now». Без этой галочки система новую версию не найдёт, и ты получишь ту же 3.13 обратно.

Закрой окно для ввода команд и открой заново, иначе оно помнит старые настройки. Проверь:

python3.12 --version

Ответ Python 3.12.10 значит всё встало. Подойдёт любая версия, которая начинается с 3.12: у меня в замере стояла 3.12.13, она собрана из исходников раньше, и разницы для программы нет. Дальше по статье вместо python3 пиши python3.12, а первую команду установки дай так, чтобы она попала именно в новую версию. Вставь целиком и нажми Enter:

python3.12 -m pip install "soup-cli[train]"

На Windows то же самое выглядит как py -3.12 -m pip install "soup-cli[train]".

Второе - машина. Я гонял на MacBook на процессоре Apple, но дело не в марке: обучение маленькой модели на 0,5 миллиарда параметров съело у меня 1,35 гигабайта оперативной памяти в пике. Это меньше, чем браузер с десятком вкладок. Восьми гигабайт памяти хватает с запасом, отдельная видеокарта не нужна. Диска понадобится чуть больше двух гигабайт: сама программа со всем, что тянет за собой, заняла около гигабайта, базовая модель 943 мегабайта, папка с результатом 151 мегабайт. Если хочешь заранее прикинуть, что потянет твой компьютер на моделях покрупнее, у меня есть отдельный разбор.

Коротко, одной таблицей:

Третье - сколько своих примеров надо. Ходит миф про тысячи. У меня было 60 пар «вопрос - ответ» про вымышленную веломастерскую, и этого хватило, чтобы модель полностью перешла на её манеру речи, цены и формат ответа. Шестьдесят коротких примеров пишутся руками за час, а можно собрать их из своей же переписки: как подготовить свои данные под такую задачу, разобрано отдельно.

Пять команд от нуля до своей модели

Команды идут строго по очереди, каждую вставляешь целиком и нажимаешь Enter.

Перед первой заведи отдельную папку под проект, чтобы файлы не разлетелись по домашней. Вставь:

mkdir -p ~/soup-proekt && cd ~/soup-proekt

На Windows в PowerShell то же самое пишется так: mkdir ~/soup-proekt; cd ~/soup-proekt. Дальше всё появляется именно здесь: и файл настроек, и подпапка с примерами, и папка с готовой моделью.

Первая ставит сам инструмент, ты её уже вставил в начале. Скобки с train внутри важны: без них встанет только оболочка, без части, которая умеет обучать. У меня установка заняла 8 минут 52 секунды и притащила 63 пакета, из них самый тяжёлый это torch на 121 мегабайт. Долго, зато один раз.

Вторая проверяет, что инструмент встал. Вставь и нажми Enter:

soup version

Именно version, без двух чёрточек впереди. Привычное --version эта программа не понимает и ругается. В ответ придёт строка soup v0.75.0 или свежее.

Третья проверяет твою машину. Вставь так же:

soup doctor

Это осмотр перед выездом. Программа сама смотрит версию Python, наличие видеокарты, память, диск и все нужные ей библиотеки. Вот что она ответила у меня:

╭──────────────────────────────────── GPU ─────────────────────────────────────╮
│ Backend:  MPS (Apple Silicon)                                                │
│ Status:   available                                                          │
╰──────────────────────────────────────────────────────────────────────────────╯
     System Resources     
┏━━━━━━━━━━┳━━━━━━━━━━━━━┓
┃ Resource ┃ Value       ┃
┡━━━━━━━━━━╇━━━━━━━━━━━━━┩
│ RAM      │ 36 GB       │
│ Disk     │ 346 GB free │
└──────────┴─────────────┘

All checks passed! Your environment is ready.

«Backend: MPS (Apple Silicon)» значит, что считать будет встроенная графика процессора Apple, а не медленный запасной путь. На последнюю строку «All checks passed! Your environment is ready.» и смотри. Вот эту последнюю строку и надо увидеть. Если вместо неё в таблице библиотек у строк torch, transformers, peft или trl стоит «not installed», значит первая команда встала без скобок с train, повтори её.

Четвёртая создаёт файл настроек. Вставь:

soup init --template chat

Рядом, в той самой папке проекта, появится файл soup.yaml с заготовкой под разговорного помощника. Открыть его для правки можно оттуда же, одной строкой. На Mac вставь:

open -e soup.yaml

На Windows вставь notepad soup.yaml. Откроется простой редактор, там ты и поменяешь три значения, о которых ниже. Заготовку придётся поправить, и это не придирка: на стандартных значениях у меня обучение дало пустой результат, разбираю дальше.

Пятая запускает обучение:

soup train --config soup.yaml

Она спросит «Start training? [Y/n]:». Нажми y и Enter. Не нажмёшь - программа выйдет сама с надписью «Aborted.», ничего не сломав.

Свои примеры: как выглядит файл с данными

Файл называется data/train.jsonl и лежит в подпапке data рядом с настройками. Этой подпапки у тебя ещё нет, поэтому сначала создадим её и пустой файл. В том же окне для ввода команд, не уходя из папки, где лежит soup.yaml:

mkdir -p data

Ответа не будет, это нормально: команда молча создаёт подпапку data. Теперь сам файл. На Mac вставь:

touch data/train.jsonl && open -e data/train.jsonl

Откроется «Текстовый редактор» с пустым файлом. На Windows вставь одну команду:

notepad data\train.jsonl

«Блокнот» спросит, создать ли новый файл - отвечай «Да». Сохраняй потом обычным Cmd+S на Mac и Ctrl+S на Windows. Имя менять нельзя: если редактор допишет .txt в конец, программа файла не увидит.

Внутри одна строка это один пример, три поля: что спросили, дополнение к вопросу (чаще пустое) и что надо ответить. Вот две мои строки целиком, копируй форму и подставляй своё:

{"instruction": "Сколько стоит замена цепи?", "input": "", "output": "Замена цепи - 900 рублей вместе с работой. Цепь подбираем по числу звёзд, приносить свою не обязательно. Ближайшее окно завтра с 11 до 19, записать тебя?"}
{"instruction": "Как вас найти, если я на метро?", "input": "", "output": "От метро «Парковая» пешком 7 минут прямо по Северной до дома 14. Вход со двора, там вывеска «Спица». Тебя ждать сегодня?"}

Каждая строка начинается с фигурной скобки и заканчивается фигурной скобкой, переносов внутри строки быть не должно. Кавычки только прямые, те самые, что на клавише рядом с Enter.

Проверить файл до обучения можно командой, вставь её тем же порядком:

soup data inspect data/train.jsonl

Она печатает таблицу: сколько всего примеров, средняя длина, пустые поля, дубли. У меня вышло 60 примеров, средняя длина 162 символа, пустых полей 0, дублей 0. Если в колонке «Empty fields» не ноль, обучение всё равно пойдёт, но на пустых примерах модель учиться не будет: лучше дописать.

Одна тонкость про объём. Из 60 примеров на обучение уходят не все: инструмент сам откладывает десятую часть на проверку. У меня получилось 54 примера на обучение и 6 на проверку, эта разбивка видна прямо в выводе строкой «Loaded: 54 train samples».

Файл настроек: почему стандартный шаблон даёт слабый результат

Вот здесь я потерял первый прогон и вытащил главный вывод статьи. Заготовка, которую создаёт четвёртая команда, приходит с настройками под чужой сценарий: большая модель на 8 миллиардов параметров, 3 круга обучения и очень осторожный шаг. На моих 60 примерах такая заготовка отработала за минуту и не поменяла ничего: числовая оценка ошибки сдвинулась с 3,0821 до 2,5606, а модель как отвечала общими фразами, так и продолжила.

Меняются три вещи. Число кругов обучения epochs с 3 на 10: на маленьком наборе примеров модель за три прохода просто не успевает ничего запомнить. Шаг обучения lr с 2e-5 на 2e-4, то есть в десять раз крупнее: маленький шаг на маленьких данных топчется на месте. И строка target_modules с auto на all-linear: она решает, какую часть модели вообще разрешено трогать. На auto у меня обучаемыми оказались 1 081 344 веса из 495 миллионов, это 0,22 процента. На all-linear стало 8 798 208 из 502 миллионов, 1,75 процента, в восемь раз больше. Разница между «ничего не выучила» и «выучила всё» сидела ровно здесь.

Вот рабочий файл целиком. Замени содержимое soup.yaml на это, поменяв только последнюю строку, если хочешь другое имя папки:

base: Qwen/Qwen2.5-0.5B-Instruct
task: sft

data:
  train: ./data/train.jsonl
  format: alpaca
  val_split: 0.1
  max_length: 512

training:
  epochs: 10
  lr: 2e-4
  batch_size: auto
  lora:
    r: 16
    alpha: 32
    target_modules: all-linear

output: ./output-mps

Первая строка это базовая модель, с которой всё начинается: Qwen 2.5 на 0,5 миллиарда параметров, самая лёгкая из вменяемых. Она скачивается сама при первом запуске, 943 мегабайта. Строка max_length: 512 режет длину одного примера: у меня самый длинный был 202 символа, так что запас тройной, а память экономится.

Как понять, что обучение пошло и что оно получилось

Сразу после y и Enter экран покажет рамку с параметрами: устройство, модель, тип задачи. Потом пойдёт строка «Loading dataset...», за ней «Loaded: 54 train samples» и «Training started!». С этого момента внизу живёт панель со счётчиком шагов: у меня было 140 шагов, они шли примерно по полторы секунды каждый.

Смотреть надо на одно число: Loss. Это размер ошибки, и он должен падать. У меня по кругам обучения он шёл так: 2,892 → 2,142 → 1,681 → 1,270 → 0,826 → 0,696 → 0,453 → 0,220 → 0,156 → 0,098 → 0,045 → 0,035. Если через три-четыре круга число стоит на месте или дёргается вверх-вниз вокруг одной точки, обучение не идёт: возвращайся к настройкам.

Конец выглядит так:

╭───────────────────────────── Training Complete! ─────────────────────────────╮
│ Loss: 2.8916 -> 0.0287                                                       │
│ Duration: 3m                                                                 │
│ Output: output-mps                                                           │
│ Run ID: run_20260921_133930_4b390ff9                                         │
│                                                                              │
│ Quick test:  soup chat --model output-mps                                    │
╰──────────────────────────────────────────────────────────────────────────────╯

Строка «Loss: 2.8916 -> 0.0287» и есть ответ на вопрос «получилось или нет». Было почти три, стало три сотых. В папке output-mps появится файл adapter_model.safetensors весом 17,6 мегабайта: это и есть выученное. Сама модель не переписывается, рядом с ней ложится небольшая надстройка, которая её ответы разворачивает в твою сторону.

Машина замера, 21.09.2026: macOS 26.3.1, ядро Darwin 25.3.0 arm64, процессор Apple, Python 3.12.13, Soup v0.75.0. Место на диске: окружение 1003 МБ, скачанная базовая модель 943 МБ, папка результата 151 МБ, файл выученного 17640808 байт (17.6 МБ). Пик оперативной памяти за прогон обучения - 1354825728 байт, это 1.35 ГБ.

Все запуски инструмент складывает к себе и показывает списком. Удобно, когда прогонов становится несколько и надо понять, какой из них был удачным:

Что ломается чаще всего

Пять поломок, которые я поймал живьём. Экранный текст привожу дословно, чтобы ты мог просто поискать свою строку глазами.

«unknown config key 'training.quantizaton' - did you mean 'quantization' or 'quantization_aware'? Refused.» Опечатка в названии настройки. Приятная новость: программа не молчит и не гадает, она отказывается работать и сама предлагает правильное написание. Правишь букву в soup.yaml и запускаешь заново.

«Error: FileNotFoundError: Data file not found: data/moi-primery.jsonl» Имя файла с примерами в настройках не совпадает с именем на диске. Смотри строку train: в файле настроек и сверяй её с тем, как файл называется на самом деле, вместе с подпапкой.

«Start training? [Y/n]: Aborted.» и выход. Ты запустил обучение и не ответил на вопрос, либо запустил команду так, что отвечать было некому. Просто нажми y и Enter.

Установка проходит, а версия не та. Самая подлая из пяти, потому что ошибки нет вообще. На Python 3.13 и новее подходящая версия не существует, и установщик молча берёт старую, 0.72.4 вместо 0.75.0. Ты этого не видишь до момента, когда половина команд из статьи не находится. Лечится только правильной версией Python: у пакета в требованиях стоит вилка от 3.10 до 3.12.

Падение на «Loading model...» без сообщения об ошибке. Встроенные команды soup infer и soup chat у меня на этой машине не пережили загрузку модели: обрыв, а в хвосте строка «resource_tracker: There appear to be 1 leaked semaphore objects to clean up at shutdown». Само обучение при этом отрабатывает нормально, ломается только проверка результата. Обходится тем, что обученную модель поднимаешь чем-то другим, об этом ниже.

Если у тебя другой случай

Не хочешь командную строку вообще. У инструмента есть веб-панель, она открывается в браузере. Вставь одну команду:

soup ui

Панель поднимется по адресу 127.0.0.1:7860 и сама откроет вкладку. Все три кадра в этой статье сняты именно в ней: там же настраивается обучение, там же смотрятся данные и прошлые прогоны. Для первого раза так спокойнее.

У тебя Windows с видеокартой NVIDIA. Порядок команд ровно тот же, меняется одно: soup doctor вместо строки про Apple напишет про CUDA. На настоящей видеокарте обучение идёт быстрее моего, но проверить это сам я не могу и цифру выдумывать не буду.

Хочешь модель побольше. Меняется одна строка base: в файле настроек. Трезво: 0,5 миллиарда параметров это самый лёгкий вариант, семимиллиардная модель потребует заметно больше памяти и времени, у меня прогона на такой нет. Начни с маленькой, убедись, что весь путь проходится, и только потом поднимай планку.

Хочешь поговорить с обученной моделью нормально. Раз встроенный чат падает, самый простой путь это Ollama: она поднимает модель локально и даёт привычное окно диалога. Если задача шире и тебе нужен чат-бот на своей нейросети с интерфейсом для клиентов, это уже отдельная сборка.

Тебе, может, вообще не нужно обучение. Если задача формулируется как «пусть отвечает по моим правилам», её решает не дообучение, а набор правил в системном промпте: пять строк, ноль минут ожидания, меняется в любой момент. Дообучение нужно, когда правилами манера речи не описывается, а примерами описывается. Общая развилка между четырьмя способами собрать себе помощника разобрана отдельно.

Честная граница: что дообучение даёт и чего не даёт

Это самая важная часть, и её обычно пропускают. Я взял четыре одинаковых вопроса и задал их базовой модели и обученной. Вот что вышло.

Базовая на «Сколько стоит замена обода?» отвечает: «Замена обода в компьютере может cost от 100 до 500 долларов США или более в зависимости от модели и производителя». На «Можно приехать в понедельник?» - «Извините, но я не могу помочь с этим запросом».

Обученная на тот же первый вопрос: «Замена обода - 1400 рублей за контур. Обод подбирается по длине трансмиссии. ТО 3500 рублей, если обод изменился. Записать тебя?».

Разница видна сразу: рубли вместо долларов, велосипед вместо компьютера, короткая фраза, встречный вопрос в конце. Форму модель усвоила полностью.

А теперь вторая половина правды. «Обод подбирается по длине трансмиссии» это бессмыслица, которой в моих данных нет. На вопрос «Есть ли у вас кофе?» обученная выдала «Кофе нет, но есть чай и т软饮料» - с китайскими иероглифами посреди русской фразы. На «Можно приехать в понедельник?» сочинила расписание, которого я ей не давал.

Вывод простой и его надо принять до того, как ты начнёшь. Дообучение ставит манеру речи: длину, тон, структуру ответа, обращение на «ты», привычку заканчивать вопросом. Дообучение не ставит факты. Модель на 0,5 миллиарда параметров остаётся маленькой и продолжает сочинять то, чего не знает, просто теперь делает это твоим голосом, и оттого убедительнее. Если нужны именно точные цены и расписание, они должны приезжать в ответ из твоей базы, а не из весов модели.

Источники

Все страницы открыты живым запросом 21 сентября 2026 года; версии, команды и все числа сняты с собственного прогона на своей машине, а не переписаны из чужих обзоров

• Страница проекта Soup на GitHub - исходный код, лицензия Apache-2.0, описание подхода и ссылка на сайт проекта
• Карточка пакета soup-cli в реестре PyPI - номер версии 0.75.0, дата публикации и требование к версии Python в метаданных
• Сайт проекта trysoup.dev - назначение инструмента и порядок работы словами самого автора
• Справочник команд Soup в документации проекта - полный список команд, их ключи и значения по умолчанию
• Задача №361 в трекере проекта - открытый перезамер требований к памяти, из-за которого цифра про 4 гигабайта взята с оговоркой
• Карточка базовой модели Qwen2.5-0.5B-Instruct - размер модели, лицензия и состав файлов, которые скачиваются при первом запуске
• Запись проекта в архиве Zenodo - постоянный идентификатор и авторство инструмента
• Собственный прогон 21 сентября 2026 года на macOS: установка, обучение на 60 своих примерах, пять снятых поломок и сравнение базовой модели с обученной

Памятка: шесть чисел и одна строка, ради которых стоит вернуться

Всё, что понадобится при втором прогоне, когда статья уже закрыта

Частые вопросы