К содержимому
Другое

DM-GDNGQA-9.3B

гибридная языковая модель с FP8 Delta-Matching вниманием

2 мин чтенияобновлено

Модель DM-GDNGQA-9.3B-LR1.2e-3-DM на 9.27 миллиарда параметров представляет собой исследовательскую разработку с гибридной архитектурой, состоящей из слоев GatedDeltaNet и GQA (Grouped-Query Attention, разновидность механизма внимания с уменьшенным числом ключей и значений). Она обучена с нуля на 30 миллиардах токенов с использованием метода Delta-Matching для FP8-внимания. Эта модель создана в рамках исследования точности обучения и демонстрирует результаты, полностью сопоставимые со стандартным FP32/BF16 обучением. Она пригодится исследователям архитектур языковых моделей и разработчикам, изучающим эффективные методы квантования.

Ключевые особенности

  • Гибридная архитектура: слои GatedDeltaNet сочетаются с GQA (GatedDeltaNet, GatedDeltaNet, GatedDeltaNet, GQA, повторяющиеся 9 раз).
  • Обучение на 30B токенов: претрейн с пиковым темпом обучения 1.2e-3 на датасете Nemotron-CC.
  • Экспорт в bf16: веса сохранены в формате bf16 safetensors с поддержкой стандартного SDPA внимания.
  • Высокие метрики: модель показывает val CE 1.2985 и результат 44.11 на бенчмарке MMLU.

Что можно сделать

  • Запуск генерации текста: использовать модель для автодополнения и генерации текста с помощью стандартных инструментов Hugging Face.
  • Анализ архитектуры: исследовать особенности гибридных слоев GatedDeltaNet и короткой свертки в flash-linear-attention.
  • Дообучение: проводить fine-tuning модели с помощью стандартного класса Trainer из библиотеки transformers.

Пример

Пример кода для запуска инференса модели на Python:

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "haok1402/DM-GDNGQA-9.3B-LR1.2e-3-DM"
model = AutoModelForCausalLM.from_pretrained(repo, dtype=torch.bfloat16, trust_remote_code=True).cuda()
tokenizer = AutoTokenizer.from_pretrained(repo, trust_remote_code=True)

inputs = tokenizer("The capital of France is", return_tensors="pt").to("cuda")
print(tokenizer.decode(model.generate(**inputs, max_new_tokens=32)[0], skip_special_tokens=True))
ПодробнееМетрики (seed 11785): val CE 1.2985, RULER 62.84, MMLU 0.4411, TriviaQA 0.2564.
Требования к железу: веса занимают 18.6 GB видеопамяти в bf16.
Ограничения: батчированные промпты должны иметь одинаковую длину из-за особенностей GatedDeltaNet слоев без маски паддинга.
Стек: torch, transformers >= 5, flash-linear-attention 0.5.2.
Обсудить Telegram 0 22

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 17 GB · готовые файлы20 GB
  • FP8 / INT8рекомендуемвеса 8.6 GB10 GB
  • 4-bitвеса 4.9 GB5.8 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 2080 Ti · BF16 — от RTX 4090

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

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    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.

    # haok1402/DM-GDNGQA-9.3B-LR1.2e-3-DM
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download haok1402/DM-GDNGQA-9.3B-LR1.2e-3-DM --local-dir ~/models/DM-GDNGQA-9.3B-LR1.2e-3-DM
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к DM-GDNGQA-9.3B-LR1.2e-3-DM
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

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.

Семья модели

Новые посты про версии DM-GDNGQA-9.3B-LR1.2e-3-DM — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

haok1402/DM-GDNGQA-9.3B-LR1.2e-3-DM
Автор
haok1402
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

220

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

Hedwig 97.6M

Hedwig 97.6M