К содержимому
Другое

llm-time-sense-organs

компактные нейросети для восприятия времени без часов

2 мин чтенияобновлено

Набор из четырёх лёгких GRU-моделей (рекуррентных нейросетей, сохраняющих состояние между шагами) из исследования llm-time-sense. Сети делают по одному шагу на каждый «удар сердца» симуляции, видят только последний кадр виртуального города и не получают никаких таймеров, счётчиков шагов или меток времени. Проект от автора Alex3318 показывает, как агенты могут сами калибровать ощущение скорости мира по визуальным изменениям и предсказанию будущих кадров. Пригодится исследователям ИИ, когнитивного моделирования и тем, кто разрабатывает автономных агентов.

Ключевые особенности

  • Без системных часов: модели оценивают ход времени и скорость течения событий исключительно по динамике окружения.
  • Сверхлёгкая архитектура: внутри всего один слой GRU на 256 нейронов и линейный входной слой (размерность 612 или 259).
  • Четыре режима обучения: две модели обучались с учителем (на фиксированном и случайном пульсе 40–160 шагов/с с калибровкой в «детстве»), а две — только через предсказание будущего кадра.
  • Готовый формат safetensors: чекпоинты сконвертированы из PyTorch в безопасный формат вместе с JSON-конфигами.

Что можно сделать

  • Воспроизвести эксперименты по восприятию времени: загрузить веса в среду симуляции из репозитория llm-time-sense и протестировать самокалибровку агентов при разной скорости мира.
  • Изучить эмерджентное кодирование времени: исследовать с помощью линейных зондов (linear probe), как внутри скрытого состояния GRU формируется представление о скорости без явной разметки.
  • Адаптировать идею для своих симуляций: использовать архитектуру TimeNet как лёгкий модуль внутреннего ритма для агентов в виртуальных средах.

Пример

import json, sys
from safetensors.torch import load_file
sys.path.insert(0, "experiments/research/code")
import models

meta = json.load(open("research-a-stage2-supervised-random-heartbeat.json"))
net = models.TimeNet(**meta["config"])
net.load_state_dict(load_file("research-a-stage2-supervised-random-heartbeat.safetensors"), strict=True)
ПодробнееКачество: на реалистичном городе модель без меток времени (research-c) показывает R² 0.943 для логарифма скорости мира (у необученной −0.010).
Точность с учителем: медианная ошибка на 64 тестовых городах составляет +4.7% (10x), −1.5% (100x) и +1.9% (2000x).
Железо и обучение: каждая модель обучалась на одном GPU за 25–50 минут на синтетических городах; для TimeNet2 требуется библиотека numba.
Ограничения: работает только в симулированных мирах, не экстраполирует скорость выше 2000x, 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.

    # Alex3318/llm-time-sense-organs
    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 Alex3318/llm-time-sense-organs --local-dir ~/models/llm-time-sense-organs
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к llm-time-sense-organs
  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

Новые посты про версии llm-time-sense-organs — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

Alex3318/llm-time-sense-organs
Автор
Alex3318
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

Другое

sense-xs

sense-xs
Другое

DeBiasLens

DeBiasLens