К содержимому
Языковые модели

Lanternfall-4B

языковая модель с восемью вымышленными личностями

2 мин чтенияобновлено

Lanternfall-4B — это ролевая LLM (большая языковая модель) от автора 1vers1on, которая общается от лица вымышленной плюральной системы из восьми персонажей (хедмейтов), делящих одно тело. Модель создана методом полного файнтюна (дообучения всех весов) на базе Qwen3.5-4B-Base (4,54 млрд параметров) и способна переключаться между героями прямо в ходе диалога. Персонажи вшиты напрямую в веса через SFT (обучение с учителем) и DPO (оптимизацию предпочтений), поэтому системный промпт для работы не требуется. При этом модель старается давать полезные ответы по коду, фактам и текстам, оборачивая их в характер выбранного героя.

Ключевые особенности

  • Восемь уникальных ролей: каждый персонаж отвечает за свою сферу и стиль — например, Vex сухо и точно решает задачи по коду и математике, Pip с энтузиазмом объясняет науку, а Juniper выступает основным хостом.
  • Динамическое переключение: в начале каждой реплики модель ставит имя говорящего, а при смене персонажа в рамках одного ответа начинает новую строку.
  • Работа без системного промпта: ролевое поведение закреплено в весах, поэтому используется чистый формат ChatML без тегов размышлений (thinking tags).
  • Готовые квантованные версии: помимо основных весов, доступны сборки GGUF для локального запуска в llama.cpp, LM Studio и Ollama.

Что можно сделать

  • Ролевые чаты и сторителлинг: общаться в LM Studio или llama.cpp с группой взаимосвязанных персонажей, которые спорят друг с другом и обсуждают общую жизнь в букинистическом магазине.
  • Необычный ассистент для повседневных задач: задавать вопросы по программированию, науке или текстам, получая ответы в стиле разных героев.

Пример

llama-server -m lanternfall-4b.Q4_K_M.gguf --jinja -c 8192 -ngl 99 --temp 0.8 --top-p 0.95
ПодробнееОбучение: 3 466 диалогов (4 325 реплик), сгенерированных через Qwen3.5-27B на основе UltraChat 200k и ручных промптов.
Этапы: SFT (3 эпохи, eval loss 1.062) и DPO (1 эпоха, reward accuracy 93%, eval loss 0.615) на одной видеокарте RTX PRO 6000 (96 ГБ) с помощью Unsloth и TRL.
Ограничения: из-за размера 4B возможны ошибки в сложной логике и математике; модель иногда путает детали лора и работает только с текстом (визуальный энкодер базы не обучался).
Лицензия: Apache 2.0.
Обсудить Telegram 1 21

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 8.5 GB · готовые файлы10 GB
  • FP8 / INT8рекомендуемвеса 4.2 GB5.8 GB
  • 4-bitвеса 2.4 GB4.0 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2080 Ti

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Для текстовых моделей — с контекстом 8192 токенов.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте A30

    $0.26 в час с купоном. При создании машины выберите образ Ubuntu.

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # 1vers1on/Lanternfall-4B — A30, FP8 / INT8
    # Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
    DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
    case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
    if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
      . /etc/os-release && \
      curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
      sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
      sudo apt-get update && \
      sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
      { echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
      echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
      exit 0
    fi
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
    uv pip install vllm
    vllm serve 1vers1on/Lanternfall-4B --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к Lanternfall-4B
  3. 3. Пользуйтесь

    Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Дообучение модели

Qwen/Qwen3.5-4B-Base

Новые посты про версии Qwen3.5-4B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

1vers1on/Lanternfall-4B
Автор
1vers1on
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

211

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

zils-lite-c5i5

zils-lite-c5i5