К содержимому
Языковые модели

SAMBA

модели представления электроэнцефалограмм на базе Mamba

1 мин чтения

SAMBA представляет собой семейство моделей для извлечения признаков (feature-extraction) из данных ЭЭГ (электроэнцефалограммы), созданных на основе архитектуры Differential Mamba и координатно-ориентированных пространственных эмбеддингов. Модели поддерживают разную длину входных окон и конфигурации электродов при фиксированной частоте дискретизации 128 Гц. Они подходят для исследователей и разработчиков, занимающихся анализом сигналов мозга, линейным зондированием или дообучением энкодеров под конкретные задачи.

Ключевые особенности

  • Два варианта моделей: SAMBA-2s (окно 2 секунды) и SAMBA-100s (окно 100 секунд)
  • Компактный размер: каждая модель содержит 1.06 миллиона параметров
  • Поддержка различных раскладок электродов и разной длины входных данных
  • Обучение на разнообразных датасетах, включая Emotiv, HBN, Muse, DICE и TUAB

Что можно сделать

  • Извлекать векторные представления из сырых сигналов ЭЭГ для дальнейшего анализа
  • Использовать пулинг признаков для линейного зондирования (linear probing) или тонкой настройки энкодера
  • Интегрировать модели в пайплайны обработки нейрофизиологических данных на Python

Пример

from pathlib import Path
import torch
from huggingface_hub import snapshot_download
from samba_eeg import SambaModel

variant = "SAMBA-2s"  # или "SAMBA-100s"
folder = snapshot_download(
    "Jay1208/SAMBA",
    allow_patterns=[f"{variant}/*"],
)
model = SambaModel.from_pretrained(Path(folder) / variant).cuda().eval()
ПодробнееТребуется совместимая система CUDA.
Частота дискретизации данных: 128 Гц.
Формат сигналов: [batch, channels, samples].
Статья: arXiv:2511.18571.
Обсудить Telegram 1

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

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.

    # Jay1208/SAMBA
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 Jay1208/SAMBA --local-dir ~/models/SAMBA
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к SAMBA
  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.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Новые посты про версии SAMBA — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Jay1208/SAMBA
Автор
Jay1208
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

MyAwesomeModel

MyAwesomeModel