К содержимому
Другое

SmolLM2-135M → 360M Bridge

ускорение генерации без перечитывания промпта

2 мин чтенияобновлено

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).
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 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 2060

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

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

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    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.

    # 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
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к smollm2-135m-to-360m-bridge
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

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.

Семья модели

Дообучение модели

HuggingFaceTB/SmolLM2-135M-Instruct
  1. SmolLM2-135Mоснова семьи
  2. SmolLM2-135M-Instruct
  3. smollm2-135m-to-360m-bridge

Новые посты про версии SmolLM2-135M — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 2Все на Hugging Face

О модели

agentic-underground/smollm2-135m-to-360m-bridge
Автор
agentic-underground
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии