К содержимому
Языковые модели

gemma-3-1b-csw-best-pruned

живой разговорный рерайт и смешивание языков на базе Gemma 3

3 мин чтения

Компактная языковая модель от AletheiaAING на основе google/gemma-3-1b-it, созданная для переписывания текста на 37 африканских языках в двух режимах: code-switching (естественное смешивание основного языка со вставками второго, как говорят носители в жизни) и идиоматический рерайт (превращение сухого текста в живую речь с поговорками и разговорными оборотами). На вход можно подавать фразы на английском, на целевом базовом языке или уже смешанный текст, а на выходе модель возвращает переработанный вариант с выделенным списком использованных приёмов и выражений. В отличие от обычных переводчиков, она не делает сухой дословный перевод, а адаптирует стиль под реальное общение, при этом её словарь урезан со 262 144 до 108 172 токенов для экономии памяти без потери качества. Пригодится разработчикам локализованных ботов, лингвистам и исследователям разговорной речи.

Ключевые особенности

  • Поддерживает 37 базовых африканских языков (среди них суахили, йоруба, хауса, игбо, зулу, амхарский, африкаанс) в обученных парах с английским, французским, арабским и региональными языками.
  • Словарь сокращён с 262 144 до 108 172 токенов, что уменьшило размер модели примерно до 0.82B параметров (вес файла 1.9 ГБ в bf16), а метрика chrF++ на тесте даже слегка выросла — с 47.83 до 47.90.
  • Возвращает структурированный ответ со специальным тегом , в котором отдельно перечисляет все вставленные иноязычные фразы или идиомы.
  • В репозитории сразу лежит скрипт csw_helpers.py для проверки языковых пар, сборки промптов и парсинга ответов через vLLM или llama.cpp.

Что можно сделать

  • Сделать чат-бота или ассистента для локальных сообществ, который общается не как учебник, а как носитель — с привычным переключением кодов и живыми выражениями.
  • Генерировать естественные разговорные реплики и диалоги для датасетов, озвучки или обучения других мультиязычных моделей.
  • Превращать официальные или сухие английские тексты в непринуждённые сообщения для соцсетей и мессенджеров на одном из 37 языков.

Пример

from csw_helpers import build_prompt, parse

# Перевод смысла с английского на йоруба со вставками английских фраз
prompt = build_prompt("eng_hm", "yor", "I will explain the method we use.", "eng")
# Внутри промпта: " +:  I will explain the method we use."
raw_output = generate([prompt])[0][0]
print(parse(raw_output))  # {'ok': True, 'tags': ['yor', 'eng'], 'devices': [...], 'text': '...'}
ПодробнееКачество: greedy test chrF++ 47.90 против 47.83 у необрезанной версии (RL3).
Формат и вес: bf16, ~0.82B параметров (в метаданных HF указано 0.95B из-за дублирования выходного слоя в файле на 1.9 ГБ).
Запуск: протестировано в vLLM 0.32 (bf16 / FP8 на одном GPU) и в версии Q8_0 GGUF через llama.cpp.
Ограничения: не предназначена для обычного дословного перевода (m_text); требует строгого формата промпта с двумя пробелами после двоеточия и только обученных языковых пар; на пиджине иногда придумывает странные идиомы или оставляет слишком много английских слов.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.8 GB · готовые файлы2.6 GB
  • FP8 / INT8рекомендуемвеса 0.9 GB1.7 GB
  • 4-bitвеса 0.5 GB1.3 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.

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.

    # AletheiaAING/gemma-3-1b-csw-best-pruned — 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 AletheiaAING/gemma-3-1b-csw-best-pruned --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к gemma-3-1b-csw-best-pruned
  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

google/gemma-3-1b-it
  1. gemma-3-1b-ptоснова семьи
  2. gemma-3-1b-it
  3. gemma-3-1b-csw-best-pruned

Новые посты про версии gemma-3-1b-pt — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 9Все на Hugging Face
Слияния 2Все на Hugging Face

О модели

AletheiaAING/gemma-3-1b-csw-best-pruned
Автор
AletheiaAING
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии