К содержимому
Другое

DiffusionGemma 2: Latent Code Graph Adapters

адаптеры для работы с графами кода

2 мин чтенияобновлено

Набор обученных LoRA-адаптеров (небольших надстроек над базовой моделью), входных модулей, голов считывания и базовых чекпоинтов от автора bumblebeers для модели google/diffusiongemma-26B-A4B-it. Репозиторий посвящён задаче представления и обработки графов вызовов абстрактных синтаксических деревьев (AST) размером 16x16 и непрерывных векторных представлений символов в латентном пространстве модели. На выходе система позволяет преобразовывать латентные визуальные токены в изображения разрешением 768×768 или работать с пространственными представлениями символов и кода. Материалы пригодятся исследователям архитектур диффузионных мультимодальных моделей и разработчикам, изучающим работу с графовыми структурами кода.

Ключевые особенности

  • Адаптеры для графов AST (Experiment A): веса LoRA на 150M параметров и модуль DualReadoutSoftCanvasHead (7.00M параметров), обученные на матрицах смежности графов вызовов 16x16 при замороженном визуальном энкодере SigLIP.
  • Модуль рефакторинга векторов символов (Experiment B): модификация с входным адаптером SymbolVectorInputAdapter (LayerNorm(384) + Linear(384, 2816) с RMS matching), который проецирует непрерывные векторы символов напрямую в пространство soft-токенов модели.
  • Отдельный декодер изображений: чекпоинт ImageDecoder на 34.15M параметров (архитектура ViT+Conv), восстанавливающий RGB-изображения 768×768 из непрерывных визуальных латентных токенов.
  • Дистиллированные пространственные модели-учителя: чекпоинты ContextualizedSpatialMLP и предвычисленные целевые тензоры вероятностей для оценки распределения словаря по пространственным патчам.

Что можно сделать

  • Запустить и сравнить поведение LoRA-адаптеров (сиды 42 и 1337) против контрольного замороженного чекпоинта cg_frozen_dg_ep3_slim_ckpt.pt.gz при обработке графов вызовов AST.
  • Использовать SymbolVectorInputAdapter вместе с LoRA-проекциями внимания и MLP для подачи непрерывных векторных представлений символов в google/diffusiongemma-26B-A4B-it.
  • Восстанавливать RGB-изображения разрешением 768×768 из латентных представлений с помощью автономного декодера parent_frozen/decoder.pt.
  • Проводить сравнительные эксперименты между диффузионными адаптерами и недиффузионными пространственными трансформерами (expA_nondg/ и expB_nondg/ на 26.8M параметров).

Пример

В карточке не приведён готовый сниппет инференса, но перечислены конкретные файлы чекпоинтов для загрузки в код проекта (исходники доступны в связанном GitHub-репозитории автора): например, expA_dg/cg_lora_dg_seed42_ep3_slim_ckpt.pt.gz (LoRA-адаптер на 150M параметров для графов AST 16x16), expB_dg/cg_expB_lora_dg_seed42_ep3_slim_ckpt.pt.gz (адаптер для непрерывных векторов символов) и parent_frozen/decoder.pt (декодер 768×768).

ПодробнееБазовая модель: google/diffusiongemma-26B-A4B-it (26B параметров) с замороженной башней SigLIP.
Обучение адаптеров в Experiment A и B: 3 эпохи, 4 824 шага, размерность проекций 2816 → 1152 (в Exp A) и 2816 → 384 (в Exp B).
Контрольные недиффузионные бейзлайны: 26.8M параметров с модуляцией инструкций AdaLN.
Лицензия: Apache 2.0.
Обсудить Telegram 1

Запустится ли?

Запустится в 4-bit

Полная точность не влезет, но сжатая версия поместится — качество почти не страдает до 8 бит, заметнее на 4 битах.

  • BF16веса 48 GB · готовые файлы54 GB
  • FP8 / INT8рекомендуемвеса 24 GB27 GB
  • 4-bitвеса 14 GB16 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.

Это LoRA: вместе с базовой моделью diffusiongemma-26B-A4B-it.

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.

    # bumblebeer/dgg2-latent-code-graphs-adapters
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 google/diffusiongemma-26B-A4B-it --local-dir ~/models/diffusiongemma-26B-A4B-it
    hf download bumblebeer/dgg2-latent-code-graphs-adapters --local-dir ~/models/dgg2-latent-code-graphs-adapters
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к diffusiongemma-26B-A4B-it
  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

Нужна базовая модель

google/diffusiongemma-26B-A4B-it

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

Новые посты про версии diffusiongemma-26B-A4B-it — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 8Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

bumblebeer/dgg2-latent-code-graphs-adapters
Автор
bumblebeer
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

SopuCoder Fast

SopuCoder Fast