Базовая языковая модель от автора Gökdeniz Gülmez на 48,9 млн параметров, созданная и обученная с нуля за 70,3 часа на одном Mac mini (Apple M4, 32 ГБ памяти) без использования CUDA. Внутри объединены рекуррентные слои Gated DeltaNet, сжатое внимание MLA (Multi-head Latent Attention), архитектура MoE (Mixture-of-Experts, смесь небольших экспертов) и голова MTP (предсказание сразу нескольких токенов вперёд). Модель обучена на 995 млн токенов английских текстов, математики и кода; она просто продолжает текст и не настроена на диалог в формате ассистента. Пригодится исследователям и энтузиастам для изучения гибридных архитектур, экспериментов с локальным запуском на Apple Silicon (через MLX) или дообучения под свои задачи.
Ключевые особенности
Гибрид двух типов памяти: 8 из 10 слоёв — линейные рекуррентные Gated DeltaNet со скоростью O(1) на токен, а слои 3 и 7 используют внимание MLA со сжатым KV-кэшем для точного поиска по контексту.
Мелкозернистый MoE и MTP: в слоях 1–8 работают 16 небольших экспертов (активируются топ-4 плюс 1 общий), а дополнительная голова предсказывает токен t+2, что даёт ускорение жадной генерации примерно в 1,3–1,5 раза.
Две среды запуска: в репозитории лежат готовые реализации и для стандартного PyTorch (transformers), и для фреймворка MLX под чипы Apple Silicon.
Запас по длине контекста: несмотря на обучение на окнах в 1 024 токена, функция потерь остаётся стабильной без дообучения на длине до 4 096 токенов.
Что можно сделать
Запустить локально на Mac через MLX или на CPU/GPU через transformers для тестов скорости генерации и изучения работы рекуррентного кэша OmoikaneCache.
Использовать как лёгкую базу для экспериментального SFT-дообучения (файнтюна под инструкции) или специализированных задач на английском языке.
Разобрать исходный код modeling_omoikane.py и modeling_omoikane_mlx.py как готовый пример связки Gated DeltaNet, MLA, оптимизатора Muon и MTP в одном компактном пайплайне.
Пример
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
repo = "Goekdeniz-Guelmez/Omoikane-50M-Base"
tok = AutoTokenizer.from_pretrained(repo, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(repo, trust_remote_code=True, dtype=torch.float32).eval()
out = model.generate(**tok("def fibonacci(n):\n", return_tensors="pt"), max_new_tokens=64, do_sample=True, temperature=0.8)
print(tok.decode(out[0], skip_special_tokens=True))
ПодробнееБенчмарки (zero-shot): SciQ — 65.9%, PIQA — 55.0% (norm 57.5%), BLiMP — 71.3%, ARC-Easy — 39.4%. Обучение: 1 эпоха на 995M токенов (70% Ultra-FineWeb, 20% UltraData-Math, 10% UltraData-Code), 60 730 шагов с оптимизатором Muon и AdamW. Ресурсы при обучении: Mac mini M4 (32 ГБ), пиковое потребление памяти 13,1 ГБ, медианная скорость 4 340 токенов/с. Ограничения: только английский язык; из 48,9M параметров 33,6M приходится на словарь (131 072 токена) и лишь 15,4M на основной ствол, поэтому рассуждения слабые, а математика и код усвоены лишь на уровне формата.
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.
# Goekdeniz-Guelmez/Omoikane-50M-Base-Phase-1 — 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 Goekdeniz-Guelmez/Omoikane-50M-Base-Phase-1 --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