К содержимому
Другое

HGRN-1.3B-semi-structured-EHWS-80pct-seed2

разреженная версия языковой модели

1 мин чтенияобновлено

Эта модель представляет собой экспериментальную версию базовой fla-hub/hgrn-1.3B-100B, оптимизированную с помощью двухфазного алгоритма ADMM для достижения 80%-й полуструктурированной разреженности. В линейных слоях модели сохраняется равное количество весов в каждой строке, при этом эмбеддинги и финальная проекция остаются плотными. Модель предназначена для исследователей и разработчиков, изучающих эффективные архитектуры с линейным вниманием и разреженными весами. Для запуска требуется установленная библиотека flash-linear-attention.

Ключевые особенности

  • Полуструктурированная разреженность: 80% весов в линейных слоях удалены с сохранением равномерной структуры по строкам.
  • Оптимизация ADMM: двухфазное обучение с калибровкой по данным C4 для минимизации потерь точности.
  • Эффективность: обучение заняло всего 3.71 часа на одном ускорителе A100 40GB.
  • Совместимость: полная интеграция со стандартным интерфейсом AutoModelForCausalLM через библиотеку fla.

Что можно сделать

  • Исследования сжатия: протестировать поведение разреженных линейных моделей в задачах генерации текста.
  • Бенчмаркинг: сравнить показатели производительности и перплексии с базовой плотной моделью на наборах данных вроде WikiText-2.
  • Эксперименты с железом: оценить потенциал ускорения вычислений за счет равномерной разреженности слоев.

Пример

from transformers import AutoModelForCausalLM
import fla

model = AutoModelForCausalLM.from_pretrained(
    "ikimyaii/HGRN-1.3B-semi-structured-EHWS-80pct-seed2",
    device_map="auto"
)
print(model)
ПодробнееПерплексия: WikiText-2 (42.49), C4 (29.72)
Средний zero-shot (lm-evaluation-harness): 0.3821
Базовая модель: fla-hub/hgrn-1.3B-100B
Параметры: 1.36 млрд
Обсудить Telegram 0 18

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 5.1 GB · готовые файлы6.1 GB
  • BF16веса 2.5 GB3.3 GB
  • FP8 / INT8рекомендуемвеса 1.3 GB1.9 GB
  • 4-bitвеса 0.7 GB1.3 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 · F32 — от RTX 5060 Ti 8GB

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.

    # ikimyaii/HGRN-1.3B-semi-structured-EHWS-80pct-seed2
    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 ikimyaii/HGRN-1.3B-semi-structured-EHWS-80pct-seed2 --local-dir ~/models/HGRN-1.3B-semi-structured-EHWS-80pct-seed2
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  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

fla-hub/hgrn-1.3B-100B

Новые посты про версии hgrn-1.3B-100B — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 12Все на Hugging Face

О модели

ikimyaii/HGRN-1.3B-semi-structured-EHWS-80pct-seed2
Автор
ikimyaii
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

180

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии