Skip to content
Other

SmolLM2-135M → 360M Bridge

ускорение генерации без перечитывания промпта

2 min readupdated

SmolLM2-135M → 360M Bridge — это обученный KV-мост (адаптер памяти «ключ-значение»), позволяющий маленькой модели SmolLM2-135M-Instruct прочитать запрос пользователя и передать своё внутреннее состояние более крупной SmolLM2-360M-Instruct. Благодаря этому 360M-модель начинает отвечать сразу, не тратя время на самостоятельное чтение промпта, что заметно сокращает задержку до появления первого токена (TTFT). Проект создан agentic-underground как воспроизведение метода LatentPort (arXiv:2609.25053v1) для работы прямо в браузере через WebAssembly на CPU. Подход пригодится разработчикам локальных и клиентских ИИ-приложений, где критична скорость отклика на слабом железе.

Ключевые особенности

  • Ускорение в 1.87 раза: время до первого токена сокращается с сохранением качества ответов (на тестовых вопросах точность совпала с обычной 360M-моделью — 6 из 7).
  • Компактный размер: файл весов smollm2-135m-to-360m.safetensors занимает всего 48 МБ и не содержит весов самих языковых моделей.
  • Работа в браузере: мост написан на Rust и запускается нативно или в WebAssembly без установки тяжелых зависимостей.
  • Передача через один токен: реализован механизм one-token handoff с коррекцией ранга 4, обеспечивающий совпадение следующих токенов (NCR) с оригинальной 360M на уровне 0.930.

Что можно сделать

  • Запуск LLM в браузере: использовать мост внутри движка PrattleNot для быстрого клиентского инференса на CPU без отправки данных на сервер.
  • Оптимизация локальных ассистентов: ускорить время реакции компактных диалоговых систем на базе пары SmolLM2-135M и SmolLM2-360M.
  • Исследование KV-переноса: изучить маппинг между моделями с разной шириной слоёв и количеством голов внимания на открытом калибровочном корпусе из 600 вопросов.

Пример

В карточке приведён сценарий запуска в браузере через веб-демо PrattleNot (на базе prattle_core::bridge на Rust/WebAssembly): пользователь вводит промпт из 37 токенов, SmolLM2-135M-Instruct обрабатывает его на CPU, мост переводит её скрытые состояния (residual streams) в KV-память для SmolLM2-360M-Instruct, и та генерирует ответ за один токен передачи в 1.87 раза быстрее стандартного прогона.

ПодробнееУскорение TTFT (37 токенов, WebAssembly на CPU): 1.87× (диапазон 1.83–1.91×) при теоретическом потолке 2.71×.
Метрика согласованности следующего токена (NCR) с нативной 360M: 0.930 (без коррекции — 0.802).
Обучение: гребневая регрессия (ridge regression) по слоям 135M + коррекция ранга 4 (16 384 параметра, AdamW) на ~600 шаблонных вопросах.
Ограничения: не является моделью для transformers, требует отдельной загрузки оригинальных моделей SmolLM2 от HuggingFaceTB (лицензия Apache-2.0).
Discuss Telegram 0

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 0.0 GB · ready files0.5 GB
  • FP8 / INT8recommendedweights 0.0 GB0.5 GB
  • 4-bitweights 0.0 GB0.5 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · BF16 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # agentic-underground/smollm2-135m-to-360m-bridge
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download agentic-underground/smollm2-135m-to-360m-bridge --local-dir ~/models/smollm2-135m-to-360m-bridge
    # The model is in ~/models. How to run it is in the model card (link above).
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

  1. SmolLM2-135Mfamily root
  2. SmolLM2-135M-Instruct
  3. smollm2-135m-to-360m-bridge

New posts about versions of SmolLM2-135M (quants, finetunes, LoRAs) will show up under the bell.

Quantised versions 12All on Hugging Face
Fine-tunes 12All on Hugging Face
LoRAs and adapters 2All on Hugging Face

About the model

agentic-underground/smollm2-135m-to-360m-bridge
Author
agentic-underground
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

00

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments