К содержимому
Языковые модели

Hakkillo-135M v0.2 writing candidate 1

LoRA для грамматики и вежливых переписываний

2 мин чтенияобновлено

Экспериментальный LoRA-адаптер от alkasima на базе SmolLM2-135M-Instruct. Он предназначен для исправления английской грамматики и вежливого переписывания коротких запросов. Это development candidate, а не стабильный релиз v0.2; публичное демо пока работает на v0.1.

Ключевые особенности

  • Адаптер весит около 1,9 МБ и требует базовую модель SmolLM2-135M-Instruct.
  • LoRA в query/value projections: rank 8, alpha 16, dropout 0.05; 460 800 обучаемых параметров.
  • Обучение на 232 синтетических запросах: 100 пар предложений по два варианта промпта плюс 32 replay-примера v0.1.
  • На 50 синтетических dev-промптах совпадений с эталоном 43/50 против 12/50 у базовой модели; грамматика — 17/20, вежливое переписывание — 16/20.
  • Это не семантическая точность и не общий бенчмарк: оценка по reference matches, данные и проверка сделаны AI-ассистентом, reserved holdout ещё не оценивался.

Пример

powershell -ExecutionPolicy Bypass -File scripts/setup.ps1
$env:HAKKILLO_ADAPTER = 'alkasima/Hakkillo-135M-v0.2-writing-candidate1'
$env:HAKKILLO_MODEL_LABEL = 'Hakkillo writing candidate 1 - experimental'
.\.venv\Scripts\python.exe app.py

После запуска локальное приложение доступно на http://127.0.0.1:7860. Первая загрузка скачивает базовые веса примерно на 270 МБ плюс адаптер; для float32-инференса нужно больше RAM и диска.

ПодробнееНа dev-диагностике: 43/50 совпадений с эталоном, 17/20 по грамматике, 16/20 по вежливому переписыванию, 10/10 по сохранению содержания.
Ограничен��я: ошибки с артиклями и местоимениями, может менять субъект или владельца, выдумывает актуальную погоду, не имеет доступа к вебу.
Инференс на CPU float32; адаптер ~1,9 МБ, базовая модель ~270 МБ загрузки. Нужны независимая человеческая проверка и оценка на reserved holdout.
Обсудить Telegram 0 17

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.3 GB · готовые файлы1.0 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.9 GB
  • 4-bitвеса 0.1 GB0.8 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.

Это LoRA: вместе с базовой моделью SmolLM2-135M-Instruct.

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.

    # alkasima/Hakkillo-135M-v0.2-writing-candidate1 — A30, FP8 / INT8
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    # 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 HuggingFaceTB/SmolLM2-135M-Instruct --max-model-len 8192 --quantization fp8 --enable-lora --max-lora-rank 64 --lora-modules Hakkillo-135M-v0.2-writing-candidate1=alkasima/Hakkillo-135M-v0.2-writing-candidate1
    Добавить ещё LoRA к SmolLM2-135M-Instruct
  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

Нужна базовая модель

HuggingFaceTB/SmolLM2-135M-Instruct

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

  1. SmolLM2-135Mоснова семьи
  2. SmolLM2-135M-Instruct
  3. Hakkillo-135M-v0.2-writing-candidate1

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

alkasima/Hakkillo-135M-v0.2-writing-candidate1
Автор
alkasima
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

170

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

QKVE-61M

QKVE-61M
Языковые модели

Second-1.0-2B

Second-1.0-2B