К содержимому
Языковые модели

Quark-150M-128K-Zero

микро-LLM на 165M параметров с контекстом 128K и RL без SFT

2 мин чтенияобновлено

Исследовательская языковая модель от empero-ai, которая при размере всего 165,3 млн параметров поддерживает контекст до 131 072 токенов, умеет рассуждать в скрытом блоке [MONOLOGUE] и вызывать внешние инструменты. Модель построена на базе Quark-150M-128K-Base и обучена методом GRPO (обучение с подкреплением с относительной оценкой групп ответов) напрямую с базового чекпоинта, полностью минуя этап SFT (контролируемого дообучения на готовых примерах). В отличие от стандартных трансформеров, здесь используется гибридная архитектура с локальным окном внимания и параллельной свёрткой, что резко снижает расход памяти при длинном контексте. Подойдёт исследователям, изучающим динамику RL на малых моделях, работу длинного контекста и гибридные архитектуры.

Ключевые особенности

  • Гибридная архитектура на 16 слоёв: 12 локальных слоёв (окно внимания 256 токенов плюс параллельная каузальная свёртка) и 4 глобальных слоя с GQA, благодаря чему полный KV-кэш хранится только для 4 слоёв.
  • Чистый RL без SFT: модель училась исключительно на собственных генерациях с программной проверкой ответов, юнит-тестов и команд в песочнице (95% наград) и оценкой LLM-судей (5%).
  • Режим рассуждений и инструменты: перед ответом модель может думать в теге [MONOLOGUE] (включается через enable_thinking=True) и формировать вызовы функций через [TOOL_CALL].
  • Контекст 128K: расширена до 131 072 токенов после претрейна на ~506 млрд токенов.

Что можно сделать

  • Исследовать RL на сверхмалых моделях: сравнивать поведение чекпоинта с базовой версией Quark-150M-128K-Base и изучать, как GRPO влияет на форматирование и логику при малом числе параметров.
  • Тестировать локальный вызов инструментов и агентов: запускать модель в связке с transformers для отработки базовых команд в песочнице или простых API-вызовов.
  • Экспериментировать с длинным контекстом на слабом железе: проверять скорость и потребление памяти при обработке больших текстов за счёт компактного состояния локальных слоёв.

Пример

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "empero-ai/Quark-150M-128K-Zero"
tok = AutoTokenizer.from_pretrained(repo, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(repo, trust_remote_code=True, dtype=torch.bfloat16).to("cuda")
inputs = tok.apply_chat_template([{"role": "user", "content": "Why is the sky blue?"}], add_generation_prompt=True, return_tensors="pt", return_dict=True).to("cuda")
out = model.generate(**inputs, max_new_tokens=256, do_sample=False)
ПодробнееМетрики на внутреннем наборе задач: доля корректных ответов выросла с 12,8% до 36,4%, правильное форматирование — с 71% до 96%, решение простых терминальных задач в 15 агентских обвязках достигло 64,5% против 2,6% на старте.
Обучение: менее 1300 шагов GRPO на 8×H100 при температуре 1,0 без KL-штрафа и референсной модели.
Требования: transformers>=5.23 и флаг trust_remote_code=True (код архитектуры идёт в репозитории).
Ограничения: исследовательский артефакт без продакшен-защиты; слабые знания о мире, частые ошибки в логике (включая рассуждения) и галлюцинации; точность на длинном контексте снизилась после RL с 35% до 25%; основной язык — английский.
Обсудить Telegram 19 279

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.6 GB · готовые файлы1.3 GB
  • BF16веса 0.3 GB1.0 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 · F32 — 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.

    # empero-ai/Quark-150M-128K-Zero — 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 empero-ai/Quark-150M-128K-Zero --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к Quark-150M-128K-Zero
  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

Дообучение модели

empero-ai/Quark-150M-128K-Base

Новые посты про версии Quark-150M-128K-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 1Все на Hugging Face

О модели

empero-ai/Quark-150M-128K-Zero
Автор
empero-ai
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

27919

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

Tars 0.5

Tars 0.5
Языковые модели

ToKpS-23.9K

ToKpS-23.9K