К содержимому
Другое

py-edu-gemma-15m

сравнение dense и MoE на 15M параметров

2 мин чтенияобновлено

В репозитории выложены две компактные модели в стиле Gemma, обученные с нуля для дописывания тела Python-функций по импортам, сигнатуре и опциональному docstring. Автор (Blankyy) сравнил классический плотный блок (dense) и архитектуру MoE (Mixture-of-Experts — смесь экспертов, где для каждого токена активируется только часть нейросети) при одинаковых затратах вычислений на токен. Эксперимент показал, что на масштабе 13–15 млн параметров модели дают практически одинаковое качество, но MoE-версия обучается в 1,6 раза дольше. Релиз подойдёт исследователям и студентам для изучения компактных языковых моделей и анализа поведения MoE на малых масштабах.

Ключевые особенности

  • Два варианта архитектуры: dense-модель на 13,05 млн параметров и MoE-модель на 15,43 млн параметров (из них 13,07 млн активны на токен).
  • Сбалансированный расчёт MoE: блок включает один общий FFN шириной 768 и трёх экспертов шириной 384 с маршрутизацией top-2 (итоговая ширина 1536, как у dense-версии).
  • Обучение с нуля на коде: модели тренировались 4 эпохи на датасете Avelina/python-edu-cleaned (3,35 млн функций на Python) с контекстом 512 токенов.
  • Полный набор артефактов: доступны как чистые веса для инференса (dense.weights.pt, moe.weights.pt), так и полные чекпоинты с состоянием оптимизатора AdamW.

Что можно сделать

  • Сравнить работу dense и MoE на практике: загрузить оба набора весов в PyTorch и протестировать генерацию простых Python-функций на одном железе.
  • Продолжить обучение или файнтюн: использовать файлы dense.best.pt и moe.best.pt с сохранённым состоянием AdamW для дообучения на собственном коде.

Пример

import torch

state = torch.load("dense.weights.pt", map_location="cpu", weights_only=True)["model"]
Подробнее Метрики dense / MoE: validation loss — 1.0639 / 1.0637; token accuracy — 0.7494 / 0.7495.
HumanEval+ mini (pass@1): 15/164 против 16/164 (с docstring) и 19/164 против 18/164 (без docstring).
Архитектура: 8 слоёв, hidden 256, 4 query heads / 2 KV heads, паттерн внимания sssg, byte-level BPE токенизатор на 8192 токена.
Обучение на RTX 3090 (bf16, batch 64): 7 ч 57 мин для dense и 12 ч 27 мин для MoE.
Ограничения: исследовательские артефакты без отдельной лицензии, не предназначены для продакшена.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.2 GB · готовые файлы0.7 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 GB
  • 4-bitвеса 0.0 GB0.6 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.

    # Blankyy/py-edu-gemma-15m
    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 Blankyy/py-edu-gemma-15m --local-dir ~/models/py-edu-gemma-15m
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к py-edu-gemma-15m
  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 py-edu-gemma-15m — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Blankyy/py-edu-gemma-15m
Автор
Blankyy
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