Модель tiny-stories-1m представляет собой крошечную генеративную нейросеть размером всего 1 миллион параметров (около 4 МБ), которая создает детские истории на байтовом уровне. Она обучена с нуля всего за 2 часа на двух процессорных ядрах (CPU) на датасете TinyStories V2, состоящем из рассказов, сгенерированных GPT-4. Архитектура представляет собой байтовый GPT с 256-символьным словарем, шириной 128 и 5 блоками pre-LN. Модель полезна для исследований, экспериментов с обучением на CPU и анализа работы миниатюрных языковых систем.
Ключевые особенности
Обучение на CPU: Создана и обучена всего за 2 часа на двух процессорных ядрах без использования мощных видеокарт.
Минимальный размер: Весит всего 4 МБ и содержит 1,018,624 параметра.
Байтовый уровень: Работает напрямую с байтами текста, используя словарь на 256 символов.
Прозрачность: В репозитории полностью открыты скрипты обучения, оценки и все зарегистрированные логи.
Что можно сделать
Запуск генерации: Использовать предоставленный скрипт на PyTorch для генерации коротких текстовых фрагментов и сказок прямо на обычном процессоре.
Изучение архитектуры: Исследовать исходный код компактного байтового GPT (gpt.py) для понимания основ построения языковых моделей.
Бенчмаркинг: Протестировать модель на метриках bits per byte и сравнить её результаты с простыми n-граммами.
Пример
import torch
from safetensors.torch import load_file
from gpt import GPT
m = GPT(128, 5, 4); m.load_state_dict(load_file("model.safetensors")); m.eval()
x = torch.tensor([list(b"Once upon a time")])
with torch.no_grad():
for _ in range(200):
nxt = torch.multinomial((m(x[:, -256:])[0, -1] / 0.8).softmax(-1), 1)
x = torch.cat([x, nxt[None]], 1)
print(bytes(x[0].tolist()).decode("utf-8", "replace"))
ПодробнееБенчмарки: 1.1242 bits per byte на проверочных текстах, 99.48% реальных слов. Требования к железу: Обычный Linux CPU, видеокарта не требуется. Ограничения: Контекст 256 байт, сюжеты историй со временем теряют связность, персонажи могут меняться. Детали обучения: Оптимизатор AdamW, 6250 шагов, косинусное расписание скорости обучения.
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.
# holland202/tiny-stories-1m — 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 holland202/tiny-stories-1m --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