К содержимому
Другое

nanoMoE

компактная языковая модель с архитектурой MoE

2 мин чтенияобновлено

nanoMoE от автора ejdis — это небольшая каузальная (предсказывающая следующий токен) языковая модель на PyTorch с кастомной архитектурой Mixture-of-Experts (MoE) (подход, при котором для каждого токена активируется только часть нейросети — так называемые эксперты). На вход модель принимает токенизированный текст и выдаёт логиты (вероятности следующих токенов) для генерации продолжения. Архитектура написана с нуля в файле model.py и не зависит от стандартных классов AutoModelForCausalLM. Модель пригодится разработчикам и исследователям, которые изучают устройство компактных MoE-трансформеров или ищут лёгкую базу для экспериментов.

Ключевые особенности

  • Маршрутизация Top-K на уровне токенов: из 4 экспертов (n_exp: 4) для каждого токена выбираются 2 активных (top_k: 2).
  • Компактные параметры: 8 слоёв, 8 голов внимания, размерность скрытого слоя 256 и длина контекста 256 токенов.
  • Стандартная токенизация: используется готовый токенизатор от GPT-2 со словарём на 50 257 токенов.
  • Набор чекпоинтов: в репозитории доступны регулярные сохранения обучения (ck_XXXXXX.pt), лучший вариант по валидации (best_ck_XXXXXX.pt) и финальный чекпоинт (last_ck_XXXXXX.pt).

Что можно сделать

  • Разобрать исходный код model.py и историю валидации внутри чекпоинтов для изучения работы Top-K маршрутизации экспертов.
  • Загрузить веса best_ck_010000.pt в PyTorch для генерации текста или продолжения дообучения на собственном датасете.

Пример

checkpoint = torch.load(path, map_location="cpu", weights_only=True)
model = module.GPTMoE(**checkpoint["model_config"])
model.load_state_dict(checkpoint["model"], strict=True)
model.eval()

tokenizer = AutoTokenizer.from_pretrained("gpt2")
inputs = tokenizer("Once upon a time", return_tensors="pt")["input_ids"]
logits = model(inputs)[0]
ПодробнееКонфигурация: 8 слоёв, d=256, 8 голов внимания, контекст 256 токенов, 4 эксперта (Top-2).
Ограничения: модель не загружается через AutoModelForCausalLM.from_pretrained() — требуется исполнение кастомного файла model.py.
Детали обучения: в чекпоинтах сохранены веса, конфиг и метрики валидации, но отсутствуют датасет и состояние оптимизатора.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.6 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 GB
  • 4-bitвеса 0.0 GB0.5 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

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.

    # ejdis/nanoMoE
    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 ejdis/nanoMoE --local-dir ~/models/nanoMoE
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к nanoMoE
  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

Новые посты про версии nanoMoE — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

ejdis/nanoMoE
Автор
ejdis
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии