Модель представляет собой посимвольную языковую модель (character-level language model), созданную по мотивам известного учебного проекта makemore от Андрея Карпаты. Она обучена на датасете имён из французских литературных произведений и генерирует новые вымышленные имена в том же стиле. Архитектура основана на простой рекуррентной сети (RNN), содержит всего 7,657 параметров (весит около 0.03 МБ) и является одним из лидеров бенчмарка среди 11 протестированных автором архитектур. Модель пригодится разработчикам и исследователям, изучающим генерацию последовательностей на символьном уровне или создающим процедурную генерацию имён для текстовых игр.
Ключевые особенности
Архитектура базируется на простейшем RNN-модуле с небольшим числом параметров (7,657) и скромным размером в 0.03 МБ.
Лучший результат по метрике val NLL (2.3592) среди 11 исследованных автором архитектур (включая MLP, WaveNet, LSTM и Transformer).
Высокая скорость инференса: модель выдает до 4962 имен в секунду на CPU.
Параметры подбирались с помощью фреймворка Optuna с трекингом экспериментов в MLflow.
Что можно сделать
Запустить генерацию новых вымышленных имён для персонажей ролевых игр или литературных проектов.
Интегрировать готовую связку config.json и model.pt через Python-библиотеку проекта.
Исследовать код архитектуры и сравнить качество генерации с другими вариантами из бенчмарка (MLP, LSTM, RWKV и др.).
Пример
from onomatron.serialize import load_bundle_from_hub
net, config = load_bundle_from_hub("Jig09/onomatron-rnn")
print(net.sample(n=20, seed=42))
ПодробнееБенчмарки: val NLL = 2.3592, test NLL = 2.3491. Требования к железу: обучение заняло 54.7 с на mps с пиковым потреблением 395 МБ VRAM. Ограничения: модель работает на уровне символов без семантики и грамматики, обучена строго на французской литературной классике и может случайно воспроизводить имена из обучающей выборки. Лицензия: MIT для кода и весов.
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.
# Jig09/onomatron-rnn — 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 Jig09/onomatron-rnn --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