К содержимому
Другое

nanoGlimmer

языковая модель на 29M параметров для микроконтроллера ESP32-S3

2 мин чтенияобновлено

Сверхкомпактная LLM на 28,98 млн параметров от разработчика apullin, которая сочиняет короткие детские сказки на английском языке прямо на микроконтроллере ESP32-S3. Архитектура Glimmer использует подход Per-Layer Embeddings (отдельные таблицы эмбеддингов для каждого слоя, идея из Google Gemma 3n) и скользящее окно внимания. В отличие от обычных мини-моделей, nanoGlimmer изначально обучалась с учётом квантования (QAT — quantization-aware training) в формат int4, поэтому на чипе она работает без потери точности относительно ПК. Проект пригодится embedded-разработчикам и энтузиастам Edge AI, которые хотят запускать генерацию текста на дешёвом железе с 16 МБ flash-памяти и 8 МБ PSRAM без облака.

Ключевые особенности

  • Архитектура Glimmer + PLE: 8 слоёв, d_model 256, 8 query-голов на 1 KV-голову, окно внимания 64 токена в трёх из четырёх слоёв и контекст 256 токенов.
  • Нативный int4 через QAT: веса и таблицы эмбеддингов обучались в 4-битном режиме группами по 128 значений, благодаря чему логиты на микроконтроллере побитово совпадают с расчётами на ПК.
  • Реальная скорость на ESP32-S3: весит 15 МБ во flash-памяти (6 МБ загружается в PSRAM) и генерирует текст со скоростью 13,8 токена в секунду (72,3 мс на токен) на двух ядрах чипа.
  • Открытый пайплайн воспроизведения: в репозитории есть скрипт обучения и байтовый BPE-токенизатор на 8 192 токена; модель обучалась на датасете TinyStories (около 1 млрд токенов) за 1 час 45 минут на одной H100.

Что можно сделать

  • Прошить плату ESP32-S3 через фреймворк ExecuTorch и получить автономный генератор простых английских историй без интернета.
  • Взять готовый скрипт train.py и архитектуру Glimmer для обучения собственной ультралёгкой LLM под узкую задачу или команды на микроконтроллерах.
  • Использовать чекпоинт как эталон для тестирования int4-экспорта и сравнения побитовой точности инференса между ПК и embedded-устройствами.

Пример

hf download apullin/nanoglimmer nanoglimmer-story.pt tokenizer.json --local-dir nanoglimmer
python story/write_story.py --checkpoint nanoglimmer/nanoglimmer-story.pt \
    --tokenizer nanoglimmer/tokenizer.json
Подробнее Метрики: validation loss 1.6115 (perplexity 5.01) на отложенной выборке TinyStories.
Параметры: 28 977 664 (из них 18,87 млн в таблицах эмбеддингов и 8 млн в слоях).
Требования к железу: микроконтроллер ESP32-S3 с 16 MB flash и 8 MB PSRAM, сборка через ExecuTorch и ESP-IDF 5.5.5.
Ограничения: генерирует только короткие сказки на простом английском языке, длина контекста — 256 токенов.
Лицензия: BSD 3-Clause на веса и токенизатор, MIT на код обучения.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.6 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 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.

    # apullin/nanoglimmer
    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 apullin/nanoglimmer --local-dir ~/models/nanoglimmer
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к nanoglimmer
  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 nanoglimmer — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

apullin/nanoglimmer
Автор
apullin
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