Модель представляет собой кастомный авторегрессионный Трансформер (Transformer, архитектура нейросетей для работы с текстом) объемом около 300 млн параметров, обученный с нуля разработчиком Rasuljanov Muhammadali. Она поддерживает генерацию текста и многооборотные диалоги (multi-turn conversation) с сохранением контекста. Модель не встроена напрямую в стандартную библиотеку Transformers, поэтому использует собственный пайплайн загрузки и Gradio-интерфейс для локального запуска. Подойдет для экспериментов, создания текстовых прототипов и изучения компактных кастомных архитектур.
Ключевые особенности
Около 300 млн параметров и кастомная реализация на PyTorch с архитектурой SwiGLU, RMSNorm и RoPE
Поддержка контекста до 512 токенов и диалоговой истории в виде пар реплик пользователя и ассистента
Настраиваемые параметры генерации, включая температуру и top-k семплирование
В комплекте идет готовый Gradio-интерфейс (app.py) для быстрого запуска чата
Что можно сделать
Запустить локальный чат-бот для экспериментов с текстом через встроенный Gradio-интерфейс
Протестировать работу компактной языковой модели на собственных небольших задачах генерации
Интегрировать модель в Python-скрипты для генерации ответов и работы с историей диалога
Пример
from modeling_united_2nd import load_united_2nd
pipe = load_united_2nd("united_2nd_v1.pt")
result = pipe.generate(
"Explain how HTTPS protects data in transit.",
history=[],
max_new_tokens=110,
temperature=0.15,
top_k=25,
)
print(result["reply"])
Подробнее• Архитектура: 18 слоев, размер скрытого слоя 1024, размер FFN 2816 • Внимание: GQA (16 голов запросов и 4 KV-голова) • Лицензия: Apache-2.0 • Ограничения: нет встроенной модерации, доступа к интернету и официальных бенчмарков
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.
# HappyLite1/United-Binary-300M — 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 HappyLite1/United-Binary-300M --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