Система на базе Qwen3 и DeepSeek автоматизирует подбор вакансий
Эта система автоматически подбирает резюме под вакансии. Система использует эффективные алгоритмы для сопоставления.
Мощная модель DeepSeek V4 Pro применяется в офлайне для маркировки данных и сложных рассуждений. При поиске напрямую используется другая модель — Qwen3-8B, оптимизированная с помощью квантования до формата Q4_K_M.
Это позволяет запускать модель на устройствах с малыми ресурсами, например, на серверах ZeroGPU, делая систему доступнее.
Рабочий процесс
Процесс стартует со сбора данных. Сначала система анализирует 2500 резюме, формируя на их основе поисковые запросы, после чего инструмент JobSpy находит по ним до 10 000 вакансий.
Ключевой этап — оценка пар (резюме, вакансия). Модель DeepSeek V4 Pro оценивает каждую пару по пяти параметрам, давая подробные объяснения для каждого вывода.
Обучение модели
Обучение проходит на платформе Modal с использованием одного ускорителя A100 и метода LoRA SFT. Параметры обучения: ранг 16, альфа 16.
Основной акцент — на механизмах внимания и слоях MLP. Это оптимизирует использование параметров модели. Результаты обучения сохраняются в форматах Safetensors и LoRA-GGUF для упрощения дальнейшего использования с llama.cpp.
Применение и развертывание
Для работы используется llama-cpp-python. Сервер развернут на инстансах HuggingFace ZeroGPU. Важное решение для эффективности — один вызов GPU на запрос, что позволяет рассматривать все вакансии в одном контексте.
Этот подход предотвращает задержки, связанные с частыми перезапусками системы. Интерфейс работает быстрее благодаря потоковой передаче токенов (token streaming), реализованной через метод OpenAI-shaped `create_chat_completion(stream=True)`.
Результаты поступают в интерфейс пользователя постепенно.
Практическая польза
Система обеспечивает автоматический подбор резюме и вакансий, оценивая соответствие кандидата требованиям.
Главное преимущество — прозрачность анализа. Система дает конкретную обратную связь, например, «четыре года опыта Rust; требуется пять». Это проще понять, чем абстрактные оценки.
Такие детали помогают кандидатам и рекрутерам. Разделение генерации запросов и оценки соответствия повысило точность работы системы.
Доступность ресурсов
Все компоненты проекта доступны. Датасеты размещены на HuggingFace, включая набор `build-small-hackathon/job-search-distill` с данными для предобработки.
Обученные модели также доступны на HuggingFace: `build-small-hackathon/job-searcher-qwen3-8B` и её GGUF-варианты.
Для разработчиков подготовлен набор `build-small-hackathon/job-search-assistant-agent-trace` с логами сессий Claude Code, дающий полное представление о разработке.
Живая демонстрация системы доступна по ссылке `build-small-hackathon/job-search-assistant`.
Ранее по теме
ZeroDrift привлек $10 млн на фильтрацию контента AI
Больше новостей в нашем Телеграм. Подпишись!
Ссылка на источник тык.
