К содержимому
Языковые модели

Nirnay-0.5B-v0-beta

модель мгновенных решений за 28 мс

2 мин чтенияобновлено

Компактная неавторегрессионная модель от ftpxain, построенная на базе Qwen2.5-0.5B (494M параметров) методом дистилляции (переноса знаний от более крупных моделей). Вместо долгой посимвольной генерации ответа она выдает откалиброванные вероятности за один прямой проход (forward pass), работая по принципу «Системы 1» (быстрого интуитивного суждения). За счет отказа от тяжелой языковой головы на 152 тысячи токенов и KV-кэша модель занимает всего 1,4 ГБ VRAM и выдает более 35 решений в секунду. Подойдет разработчикам ИИ-агентов и пайплайнов, которым нужна моментальная фильтрация или маршрутизация запросов без задержек.

Ключевые особенности

  • Без генерации токенов: извлекает скрытое состояние последнего токена и напрямую проецирует его на веса заданных вариантов ответа.
  • Три режима работы: noul для бинарных проверок (да/нет), choice для выбора из списка категорий и score для выставления оценок по шкале от 0 до 5.
  • Калибровка вероятностей: обучение на мягких распределениях (soft-target distillation) и функция потерь Ranked Probability Score позволяют получать адекватную уверенность в ответе.
  • Минимальные требования: весит 988 МБ (.safetensors) и работает в BF16 на ноутбучной RTX 4050 (6 ГБ) со средней задержкой 27,45 мс.

Что можно сделать

  • Маршрутизация обращений: мгновенно распределять входящие тикеты пользователей по нужным отделам поддержки или выбирать подходящий инструмент для ИИ-агента.
  • Модерация и guardrails: использовать как сверхбыстрый бинарный фильтр безопасности или проверки соблюдения правил перед запуском основной LLM.
  • Автоматическая оценка качества: выставлять баллы отзывам клиентов или ответам нейросетей по шкале от 0 до 5 без привлечения дорогих моделей-судей.

Пример

from src.infer import NirnayEngine

engine = NirnayEngine.from_pretrained("ftpxain/nirnay-0.5b-v0-beta")
result = engine.decide(
    state="Customer query: 'Where can I download my annual billing receipt?'",
    question="Which department should handle this request?",
    options=["Technical Support", "Billing & Invoices", "Sales"],
    kind="choice",
)
print(result.decision, result.probabilities)
ПодробнееБенчмарк S1MB (137 задач, 14 009 кейсов): общий балл 7.17 (Noul: 10.77, Choice: 10.26, Score: 0.48), обходит JevForge-0.8B (1.92).
Тесты дистилляции: точность 99.60% (27.45 мс) на in-distribution (test_set_30k) и 73.00% (40.27 мс) на out-of-distribution.
Статус релиза: v0-beta — модель обучена на 48% датасета jev-distill-corpus-v3 (316 560 из 655 806 примеров) с 16-bit LoRA (r=16, alpha=32).
Железо и ограничения: замеры проведены на NVIDIA RTX 4050 Laptop (6 ГБ VRAM) в BF16; контекст документов при обучении ограничен ~1500 токенами; поддерживает только английский язык.
Обсудить Telegram 0 41

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.9 GB · готовые файлы1.6 GB
  • FP8 / INT8рекомендуемвеса 0.5 GB1.1 GB
  • 4-bitвеса 0.3 GB0.9 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.

    # ftpxain/nirnay-0.5b-v0-beta — 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 ftpxain/nirnay-0.5b-v0-beta --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к nirnay-0.5b-v0-beta
  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

Qwen/Qwen2.5-0.5B

Новые посты про версии Qwen2.5-0.5B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 5Все на Hugging Face
Слияния 2Все на Hugging Face

О модели

ftpxain/nirnay-0.5b-v0-beta
Автор
ftpxain
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

410

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии