К содержимому
Языковые модели

yejin-korean-8b-v3

корейский инструкционный 8B с дистилляцией

1 мин чтения

Это 7,24B-модель для генерации текста на корейском: инструкции, знания, reading comprehension и multi-step reasoning. Построена от cooler8/yejin-korean-8b-v3-base: continued pretraining на ~49B корейских токенов, затем LoRA-файнтюн и sequence-level дистилляция от Qwen/Qwen3.6-27B-FP8. Вариант nothink использует пустой блок <think> </think> в шаблоне.

Ключевые особенности

  • Корейский instruction-following: карточка указывает только язык ko.
  • LoRA-файнтюн: rank 128, alpha 256, learning rate 2e-4.
  • Обучение на mixK2: 95 107 корейских примеров — инструкции, знания, MRC и multi-step reasoning.
  • Дистилляция от Qwen3.6-27B: Answer-First + Explanation + Answer-Confirm для знаний/MRC и CoT-First для reasoning/math.
  • Проверка контаминации: 0 13-gram hits на 12 evaluation benchmarks.
  • Лицензия Apache 2.0.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer
repo_id = "cooler8/yejin-korean-8b-v3-cpt2s20000-distill-qwen36-mixK2-r128-nothink-v2"
model = AutoModelForCausalLM.from_pretrained(repo_id, torch_dtype="bfloat16", device_map="auto")
tokenizer = AutoTokenizer.from_pretrained(repo_id)
messages = [{"role": "user", "content": "한국의 수도는 어디인가요?"}]
inputs = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt", return_dict=True).to(model.device)
inputs.pop("token_type_ids", None)
ПодробнееПараметры: 7,24B; в примере — bfloat16 и device_map="auto".
Обучение: CPT-2 до шага 20 000, ~49B корейских токенов; LoRA r=128, alpha=256, lr=2e-4; 95 107 примеров mixK2.
Дистилляция: Qwen/Qwen3.6-27B-FP8 с разными форматами для знаний/MRC и reasoning/math.
Ограничения: карточка указывает только корейский; требования к VRAM/железу не приведены; это nothink-вариант.
Обсудить Telegram 0 84

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

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.

    # cooler8/yejin-korean-8b-v3-cpt2s20000-distill-qwen36-mixK2-r128-nothink-v2
    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 cooler8/yejin-korean-8b-v3-cpt2s20000-distill-qwen36-mixK2-r128-nothink-v2 --local-dir ~/models/yejin-korean-8b-v3-cpt2s20000-distill-qwen36-mixK2-r128-nothink-v2
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  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.

  • 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 yejin-korean-8b-v3-cpt2s20000-distill-qwen36-mixK2-r128-nothink-v2 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

cooler8/yejin-korean-8b-v3-cpt2s20000-distill-qwen36-mixK2-r128-nothink-v2
Автор
cooler8
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

840

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

Qwen3.6-35B-A3B

Qwen3.6-35B-A3B