К содержимому
Другое

Tree-gram generators

семейство авторегрессионных генераторов текста

2 мин чтения

Набор компактных авторегрессионных моделей (предсказывающих следующий токен по предыдущим) от автора hugs-from-a-25 для генерации синтетических текстовых корпусов. В основе лежит архитектура tree-gram — иерархическая структура, которая оценивает следующий токен на основе окна из n - 1 предыдущих токенов. В репозиторий включены 30 вариантов моделей с разной длиной контекста (от 1 до 31 токена) и шириной слоя d (от 64 до 1024), обученных на трёх известных датасетах: TinyStories, WikiText-103 и FineWeb-Edu. Инструмент пригодится исследователям и разработчикам для быстрого сэмплирования синтетических текстов, изучения масштабирования контекста и экспериментов с простыми генеративными моделями без тяжеловесных LLM.

Ключевые особенности

  • 30 готовых вариантов: по 10 конфигураций для каждого из трёх доменов (TinyStories, WikiText-103 и FineWeb-Edu) с разной глубиной контекста и размерностью.
  • Минимальные зависимости: для запуска скрипта modeling_treegram.py требуются только torch и safetensors.
  • Поддержка классических биграмм: помимо нейросетевых tree-gram, в набор входят частотные bigram-модели в формате counts.npz с откатом к равномерному распределению.
  • Полная прозрачность метрик: для каждого чекпоинта в карточке приведены точная энтропия и val loss в натах на токен.

Что можно сделать

  • Сгенерировать синтетический датасет: создавать тексты в стиле детских историй, энциклопедических статей или образовательных материалов для обучения и тестирования других моделей.
  • Сравнить влияние контекста и ширины: на готовых чекпоинтах проверить, как изменение длины контекста (от 1 до 31 токена) и ширины d (от 64 до 1024) влияет на качество сэмплирования и энтропию.
  • Встроить в исследовательский пайплайн: использовать функцию next_token_logits для получения логитов следующего токена и анализа распределений вероятностей в собственных скриптах на PyTorch.

Пример

from huggingface_hub import snapshot_download
import sys
path = snapshot_download("hugs-from-a-25/tree-gram-generators", allow_patterns=["modeling_treegram.py", "tinystories/n8_d1024/*", "tokenizers/*"])
sys.path.insert(0, path)
from modeling_treegram import load_generator, sample
model, cfg = load_generator(f"{path}/tinystories/n8_d1024")
tokens = sample(model, n_tokens=200, batch=4, eos_token_id=cfg["eos_token_id"])
ПодробнееВеса хранятся в формате model.safetensors (float32), для каждой модели приложены config.json и generation.json.
Лучший val loss в каждой группе: TinyStories (n32_d1024) — 1.7407, WikiText-103 (n32_d1024) — 3.9298, FineWeb-Edu (n16_d1024) — 4.2983 nats/token.
Требования к VRAM и железу в карточке не указаны.
Лицензии зависят от корпуса: CDLA-Sharing-1.0 (TinyStories), CC BY-SA 3.0 (WikiText-103) и ODC-By 1.0 (FineWeb-Edu).
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.7 GB · готовые файлы1.2 GB
  • FP8 / INT8рекомендуемвеса 0.3 GB0.9 GB
  • 4-bitвеса 0.2 GB0.7 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.

    # hugs-from-a-25/tree-gram-generators
    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 hugs-from-a-25/tree-gram-generators --local-dir ~/models/tree-gram-generators
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к tree-gram-generators
  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 tree-gram-generators — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

hugs-from-a-25/tree-gram-generators
Автор
hugs-from-a-25
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

mars-dfd-hr

mars-dfd-hr