К содержимому
Языковые модели

KashmirAI NLLB-1.3B

перевод с кашмирского на английский язык

2 мин чтенияобновлено

Модель представляет собой дообученную версию facebook/nllb-200-distilled-1.3B (базовая языковая модель от Meta с дистиллированными параметрами), оптимизированную для перевода с кашмирского языка в арабо-персидской письменности на английский. Версия конвертирована в формат CTranslate2 int8 для эффективной работы на обычных процессорах без использования мощных видеокарт. Она заменяет более раннюю 600M-модель того же разработчика и используется на сайте проекта. Новинка пригодится исследователям, лингвистам и разработчикам сервисов для работы с малоресурсными языками.

Ключевые особенности

  • Базируется на архитектуре NLLB-200 distilled 1.3B от Meta.
  • Экспортирована в CTranslate2 int8 для быстрого запуска на CPU.
  • Обучена на датасете из 128 028 тщательно отфильтрованных пар предложений.
  • Показывает прирост качества перевода по сравнению с 600M-версией.

Что можно сделать

  • Интегрировать модель в локальный переводчик или веб-сервис для работы с кашмирским языком.
  • Запускать инференс на обычном процессоре (CPU) со скоростью около 1–2.5 секунды на предложение.
  • Использовать для исследовательских задач в области обработки естественного языка (NLP) для региональных языков Индии.

Пример

import ctranslate2
from tokenizers import Tokenizer
from huggingface_hub import snapshot_download

path = snapshot_download("Faizanayub/kashmirai-nllb13b-ks-en-ct2")
tr = ctranslate2.Translator(path, device="cpu", compute_type="int8")
tok = Tokenizer.from_file(f"{path}/tokenizer.json")

src = "سُہ چھُ آز اکھ کامیاب ویب ڈزاینَر۔"
tokens = ["kas_Arab"] + tok.encode(src, add_special_tokens=False).tokens + [""]
out = tr.translate_batch([tokens], target_prefix=[["eng_Latn"]], beam_size=4)[0].hypotheses[0]
ids = [tok.token_to_id(t) for t in out if t not in ("eng_Latn", "")]
print(tok.decode(ids, skip_special_tokens=True))
ПодробнееБенчмарки (KashEval v1): FLORES-200 devtest — 61.41 chrF++; Google SMOL — 49.36 chrF++; IN22-Gen — 61.26 chrF++.
Требования к железу: оптимизирована для CPU (инференс на одном потоке занимает 1–2.5 секунды на предложение).
Детали обучения: полный файнтюн с замороженными эмбеддингами на Kaggle T4, размер батча 32, 2 эпохи.
Лицензия: CC BY-NC 4.0.
Обсудить Telegram 0 16

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.3 GB · готовые файлы2.0 GB
  • FP8 / INT8рекомендуемвеса 0.6 GB1.3 GB
  • 4-bitвеса 0.4 GB1.0 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.

    # Faizanayub/kashmirai-nllb13b-ks-en-ct2 — 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 Faizanayub/kashmirai-nllb13b-ks-en-ct2 --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к kashmirai-nllb13b-ks-en-ct2
  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

facebook/nllb-200-distilled-1.3B

Новые посты про версии nllb-200-distilled-1.3B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 11Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face

О модели

Faizanayub/kashmirai-nllb13b-ks-en-ct2
Автор
Faizanayub
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

160

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

PIIX-560m

PIIX-560m