К содержимому
Другое

D3 Lite Core AI

быстрый роутер запросов для Apple Silicon

2 мин чтенияобновлено

Независимая текстовая конвертация модели vllm-sr/d3-lite для запуска через Apple Core AI. Модель решает задачу zero-shot-классификации (выбор подходящего варианта без дообучения на конкретных примерах) и маршрутизации запросов за один прямой проход. При конвертации от автора hugging-mac сохранены оригинальные текстовые веса BF16 и выходной слой принятия решений в FP32, но убрана поддержка изображений и видео. Подойдёт разработчикам приложений под macOS, которым нужен локальный и предсказуемый классификатор интентов или голосовой маршрутизатор.

Ключевые особенности

  • Работает нативно в среде Apple Core AI с размером графа около 1,51 ГБ.
  • Вычисляет логиты сразу для 255 кандидатов за один проход без сохранения состояния (stateless).
  • Полное совпадение топового выбора с оригинальной PyTorch-версией на CPU (82 из 82 синтетических промптов).
  • Медианное время повторного инференса на Mac с чипом Apple M5 составляет 109,60 мс с учётом токенизации.

Что можно сделать

  • Встроить в локального ассистента на macOS для быстрой маршрутизации обращений пользователей по отделам или инструментам.
  • Использовать в голосовых пайплайнах для определения намерений пользователя (прерывание, сброс, постановка в очередь или продолжение прослушивания).
  • Вызывать напрямую из нативного кода на Swift с минимальными расхождениями вероятностей относительно Python-обёртки.

Пример

import asyncio
from coreai_d3 import D3CoreAI

async def main():
    model = await D3CoreAI.load("bundle")
    result = await model.system_one(
        state="The customer was charged twice for the same order.",
        questions={"route": {"type": "choice", "instructions": "Which team should help?", "criteria": {"billing": "Payments", "shipping": "Delivery"}}},
    )
    print(result)

asyncio.run(main())
Подробнее Лимит контекста: 512 токенов при batch size 1; запросы с картинками, видео или превышением длины отклоняются.
Максимальная разница вероятностей с оригиналом PyTorch: 0,015833; тест голосовой маршрутизации: 6/8 (как у оригинала).
Тестовый стенд: Apple M5, macOS 27.2.1; первичная загрузка графа и токенизатора занимает 88,465 с.
Запуск и замеры на физическом iPhone автором не проводились.
Обсудить Telegram 0 36

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 2.3 GB · готовые файлы3.1 GB
  • FP8 / INT8рекомендуемвеса 1.2 GB1.8 GB
  • 4-bitвеса 0.7 GB1.2 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 · BF16 — 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

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.

    # hugging-mac/d3-lite-CoreAI
    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 hugging-mac/d3-lite-CoreAI --local-dir ~/models/d3-lite-CoreAI
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к d3-lite-CoreAI
  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

Дообучение модели

vllm-sr/d3-lite
  1. Qwen3.5-0.8B-Baseоснова семьи
  2. Qwen3.5-0.8B
  3. d3-lite
  4. d3-lite-CoreAI

Новые посты про версии Qwen3.5-0.8B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 9Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

hugging-mac/d3-lite-CoreAI
Автор
hugging-mac
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

360

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии