сверхкомпактная гибридная языковая модель на Mamba2 и MLA
schedule 2 мин чтенияобновлено
MORPH-S — это экспериментальная языковая модель на 170 млн параметров (138 млн без учёта эмбеддингов), разработанная с нуля для обучения на бесплатных ускорителях Kaggle T4×2. В её основе лежит гибридная архитектура: 20 слоёв Mamba2 (модель пространства состояний) сочетаются с 4 слоями Multi-head Latent Attention (MLA — механизм внимания со сжатым скрытым представлением) без позиционного кодирования. В отличие от классических трансформеров, такая схема радикально экономит видеопамять при работе с длинным контекстом, а также использует вспомогательную задачу самомоделирования при обучении. Модель подойдёт исследователям и энтузиастам, изучающим эффективные гибридные архитектуры и обучение компактных LLM в условиях ограниченных ресурсов.
Ключевые особенности
Экономия памяти на длинном контексте: на 32 тысячах токенов в fp16 модель занимает всего 23,5 МБ кэша против 2013 МБ у стандартного механизма внимания аналогичной глубины.
Кросс-слойное разделение латентов: слои внимания 4 и 9, а также 14 и 19 делят между собой два кэшируемых латентных представления, дополнительно снижая нагрузку на память.
Самомоделирование при обучении: специальная голова предсказывает нормализованные остаточные состояния перед слоями внимания из финального скрытого состояния.
Две версии весов: в репозитории доступны базовый чекпоинт (обучен на 3 млрд токенов FineWeb-Edu) и инструктивная версия в папке sft/ с поддержкой формата ChatML.
Что можно сделать
Протестировать работу гибридных моделей Mamba2 + MLA на локальном железе или в бесплатном Google Colab с минимальным расходом VRAM.
Использовать код репозитория MoRPH как шаблон для собственных экспериментов по обучению малых моделей с нуля на бюджетных GPU (вроде T4).
Запустить диалоговый режим на базе SFT-версии (sft/model.safetensors) для генерации базовых ответов на английском языке.
ПодробнееМетрики: validation perplexity 17.4 на FineWeb-Edu, HellaSwag 32.7% zero-shot у базовой модели и 32.4% у SFT-версии. Память при инференсе (fp16): 512 байт на токен кэша + 6,74 МБ константного состояния SSM. Обучение: 3 млрд токенов (12 сессий Kaggle T4), оптимизаторы Muon + AdamW, токенизатор от SmolLM2-135M. Ограничения: из-за малого размера и объёма обучения модель слабо запоминает факты и рассуждает, а 4 слоя внимания ограничивают точный поиск по длинному контексту.
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.
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.
# dhairyapandya/morph-s — 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 dhairyapandya/morph-s --max-model-len 8192 --quantization fp8
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.
Комментарии