К содержимому
Языковые модели

MiniMind-MoE-198M-A64M-Pretrain-v1.0

сверхлёгкая MoE-модель с нуля на 198M параметров

2 мин чтенияобновлено

Экспериментальная языковая модель для продолжения текста на английском языке, обученная с нуля без опоры на готовые веса. Она построена на базе архитектуры MiniMind с использованием MoE (Mixture of Experts — подход, при котором для каждого токена активируется только часть нейросети, что ускоряет работу). Из 198,4 млн общих параметров при генерации задействуется около 64 млн. Модель выпущена автором caspar как базовый чекпоинт после этапа претрейна (первичного обучения на текстах) и пригодится исследователям и энтузиастам для экспериментов с дообучением на слабом железе.

Ключевые особенности

  • Архитектура MiniMind MoE: 8 слоёв, размер скрытого слоя 768, словарь на 6400 токенов и 4 эксперта с маршрутизацией top-1.
  • Обучена с нуля в течение 2 эпох на отфильтрованном образовательном датасете FineWeb-Edu (более 1,28 млн документов с оценкой качества от 3.5).
  • Перплексия (PPL — мера неуверенности модели при предсказании следующего слова) на валидации снизилась с 7491.43 до 13.17.
  • В репозитории доступны как веса в формате safetensors для библиотеки transformers, так и оригинальный чекпоинт pretrain_768_moe.pth в FP16 для нативного PyTorch.

Что можно сделать

  • Использовать как чистую базу для собственного SFT (Supervised Fine-Tuning — дообучение на инструкциях или диалогах) под узкие задачи.
  • Изучать работу маршрутизации экспертов в компактных MoE-моделях с минимальными затратами вычислительных ресурсов.
  • Запускать локально даже на CPU или бюджетных видеокартах для тестов генерации и продолжения коротких английских текстов.

Пример

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "caspar/MiniMind-MoE-198M-A64M-Pretrain-v1.0"
tokenizer = AutoTokenizer.from_pretrained(repo, revision="v1.0")
model = AutoModelForCausalLM.from_pretrained(repo, revision="v1.0", trust_remote_code=True).eval()
x = tokenizer("The purpose of education is", return_tensors="pt", add_special_tokens=False).input_ids
print(tokenizer.decode(model.generate(inputs=x, max_new_tokens=64, do_sample=False)[0], skip_special_tokens=True))
ПодробнееВалидационный PPL: 13.17 (на 1024 проверочных окнах).
Обучение: 2 эпохи на видеокарте RTX 5090 (BF16, AdamW, 34 432 шага обновления, пиковый lr 3e-4).
Ограничения: модель не проходила SFT, не умеет вести диалог и не проверялась на контексте длиннее 340 токенов.
Для запуска в transformers требуется флаг trust_remote_code=True (используется скрипт model_minimind.py).
Обсудить Telegram 0 40

Запустится ли?

Запустится в F16

Влезает без сжатия.

  • F16веса 0.4 GB · готовые файлы1.1 GB
  • FP8 / INT8рекомендуемвеса 0.2 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 · F16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

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.

    # caspar/MiniMind-MoE-198M-A64M-Pretrain-v1.0 — A30, FP8 / INT8
    # 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 caspar/MiniMind-MoE-198M-A64M-Pretrain-v1.0 --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к MiniMind-MoE-198M-A64M-Pretrain-v1.0
  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

Новые посты про версии MiniMind-MoE-198M-A64M-Pretrain-v1.0 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

caspar/MiniMind-MoE-198M-A64M-Pretrain-v1.0
Автор
caspar
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

400

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии