К содержимому
Языковые модели

NanoGPT Ladder v3 web-heavy 64M

маленькая база для экспериментов с масштабом

2 мин чтенияобновлено

Это завершённый претрейн-чекпоинт NanoGPT Ladder v3 на 63,5 млн параметров: он продолжает обычный текст по началу промпта, но не следует инструкциям. Модель обучена с нуля на web-heavy смеси по замороженному рецепту Dolma3 Dolmino; в heavy-смесях 80% данных отводится указанному домену. Архитектура — GPT на 12 слоёв, ширину 512 и 8 голов внимания, с RoPE, связанными эмбеддингами, GPT-2 tokenizer и контекстом 1024 токена. Это база до tiny-rl, SFT и RL, поэтому ей нужны простые текстовые промпты, а не диалоговые инструкции. Пригодится для экспериментов с масштабированием, локальной отладки генерации и дальнейшего файнтюна.

Ключевые особенности

  • 63 504 384 параметра; 12 слоёв, ширина 512, 8 голов внимания.
  • 1,9 млрд prediction tokens и 58 140 шагов оптимизатора, seed 1337.
  • Web-heavy смесь по Dolma3 Dolmino: 80% на именованный домен; контекст 1024, словарь 50 304.
  • Это претрейн-база без SFT и RL: ожидайте продолжение текста, а не ответы на вопросы.
  • Свой загрузчик вместо Transformers AutoModel; чекпоинт поддерживает inference и файнтюн, но без optimizer state.

Что можно сделать

  • Дообучить на небольшом корпусе под свой стиль или узкую тему — карточка допускает дальнейший файнтюн.
  • Использовать как локальную тестовую LLM для отладки пайплайна генерации на CUDA, Apple MPS или CPU.
  • Сравнить с другими размерами NanoGPT Ladder v3 — 8M, 16M и 32M — это независимые запуски.
  • Проверять, как маленькая модель справляется с продолжением текста, перед переносом на большую.

Пример

uvx --from huggingface_hub hf download davidheineman/nanogpt-ladder-v3-web-heavy-64m-30tpp-seed-1337 --local-dir ./model
cd model
uv run python generate.py 'prompt=Once upon a time' max_new_tokens=128
ПодробнееПараметров: 63 504 384; обучение: 1 905 131 520 prediction tokens, 58 140 шагов.
Архитектура: 12 слоёв, ширина 512, 8 голов, RoPE, tied embeddings, GPT-2 tokenizer, контекст 1024.
Веса в float32; device=auto выбирает CUDA, Apple MPS или CPU; temperature=0 — greedy decoding.
Финальные BPB/loss — это оценка языковой модели, а не точность решения задач.
Обсудить Telegram 0 36

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.2 GB · готовые файлы0.9 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.7 GB
  • 4-bitвеса 0.1 GB0.7 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

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.

    # davidheineman/nanogpt-ladder-v3-web-heavy-64m-30tpp-seed-1337 — 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 davidheineman/nanogpt-ladder-v3-web-heavy-64m-30tpp-seed-1337 --max-model-len 8192 --quantization fp8
  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 nanogpt-ladder-v3-web-heavy-64m-30tpp-seed-1337 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

davidheineman/nanogpt-ladder-v3-web-heavy-64m-30tpp-seed-1337
Автор
davidheineman
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

360

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

PM2-CODE

PM2-CODE
Языковые модели

SR2-2B

SR2-2B
Языковые модели

SO-CODE L8-CODE

SO-CODE L8-CODE