К содержимому
Другое

PhillNet Recall 1.2.0

внешняя память с полными доказательствами

2 мин чтенияобновлено

PhillNet Recall — не генеративная LLM, а локальная система внешней памяти и компактный policy-checkpoint для приложений. Она хранит исходные свидетельства, находит связанные заметки, учитывает явные связи и исправления, а затем собирает контекст, не выбрасывая зависимости молча. В версии 1.2 появились локальные терминологические мосты, положительные конъюнктивные запросы по памяти и ограниченный поиск более компактных полных наборов доказательств. Проект от Phillip A. Holland Jr., Apache-2.0, без нового нейрообучения; это не embedding-модель и не замена KV-cache.

Ключевые особенности

  • 24 компактные policy-записи по 500 байт; упакованные чекпоинты — 12 128 байт, архитектура каждой политики: 20 входов → 20 ReLU → 1 score.
  • Терминологические мосты задаются как свидетельства и не требуют правки весов; конфликтующие мосты закрываются fail-closed.
  • Конъюнктивные запросы поддерживают до шести положительных атомов и возвращают полные supporting records.
  • Оптимизатор упаковки ищет полные доказательства с учётом общих записей; на 40 synthetic-кейсах медианное сокращение serialized bytes — 32,17%.
  • В комплекте authenticated API, Python-клиент на stdlib, wheel, verifier и отдельный Docker Space.

Что можно сделать

  • Добавить приложению с LLM-хостом локальную память на SQLite: хранить заметки и инциденты, возвращая JSON или текст с зависимостями.
  • Собрать внутреннюю базу знаний с терминами проекта: задать мосты и искать по незнакомым формулировкам без переобучения.
  • Поднять приватный Python-сервис с authenticated API и использовать endpoints вроде /v1/grounded-context и /v1/query-context.
  • Проверить на своих данных, как совместная упаковка доказательств влияет на размер контекста.

Пример

from phillnet_recall import RecallMemory, pack_grounded

with RecallMemory('recall.sqlite3', tenant='phillip', namespace='nova') as memory:
    memory.remember_bridge('amber docket', 'incident register', source='operator:approved-glossary')
    memory.remember('Nova incident register: Mira handles escalation.', source='incident-record:11')
    result = memory.recall_grounded('Nova amber docket', top_k=1)
    packet = pack_grounded(memory, result, budget=8192)
    print(packet['text'])
ПодробнееВсе цифры — синтетические тесты авторов, не независимый benchmark: 377/377 regression, 3 120/3 120 numerical probes, 96/96 terminology cases с мостами, 128/128 conjunctive queries, 40/40 packing cases.
12 КБ — это policy payload, не вся RAM: нужны SQLite, индексы, исходный текст и Python.
Ограничения: английские authored topic groups, нет официального LongMemEval/LoCoMo score, host-совместимость не сертифицирована.
Примеры
Обсудить Telegram 1 25

Запустится ли?

Запустится в I8

Влезает без сжатия.

  • I8рекомендуемвеса 0.0 GB · готовые файлы0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.I8 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: I8 — 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.

    # ayjays132/PhillNet_Recall
    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 ayjays132/PhillNet_Recall --local-dir ~/models/PhillNet_Recall
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к PhillNet_Recall
  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 PhillNet_Recall — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

ayjays132/PhillNet_Recall
Автор
ayjays132
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

251

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

shem RV32IM

shem RV32IM
Другое

BEAM

BEAM