К содержимому
Языковые модели

Omoikane-50M-Base-Phase-1

компактная гибридная LLM, обученная на Mac mini

2 мин чтенияобновлено

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.
Примеры
Обсудить Telegram 1 11

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.2 GB · готовые файлы0.8 GB
  • BF16веса 0.1 GB0.7 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.7 GB
  • 4-bitвеса 0.0 GB0.6 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.

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.

    # 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
    Добавить ещё LoRA к Omoikane-50M-Base-Phase-1
  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

Новые посты про версии Omoikane-50M-Base-Phase-1 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Goekdeniz-Guelmez/Omoikane-50M-Base-Phase-1
Автор
Goekdeniz-Guelmez
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

111

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

Omoikane-50M-PoC

Omoikane-50M-PoC
Робототехника

PHASE-TTC-Adapt

PHASE-TTC-Adapt