К содержимому
Языковые модели

LLaDA2.2-mini-Thinking

модель с рассуждениями для блок-диффузионной MoE

2 мин чтения

Эта модель представляет собой доработанную версию LLaDA2.2-mini (16B блок-диффузионной MoE ( Mixture of Experts, архитектура из экспертных блоков ) с 1.4B активных параметров), обученную рассуждать в тегах … перед ответом или вызовом инструментов. Базовая модель отвечает сразу и не рассуждает в тексте. Новинка обучена на сессиях агентов и примерах рассуждений от DeepSeek, объединяя возможности генерации с логическим анализом задач.

Ключевые особенности

  • Добавлено рассуждение перед ответом: модель явно прописывает ход мыслей в тегах .
  • Сохранена нативная поддержка вызова инструментов (tool calls) от базовой архитектуры.
  • Обучена на 2,003 сессиях агентных задач и 3,000 примерах рассуждений (всего 25.6 млн токенов).
  • Веса объединены в формате bf16, обучение заняло 5.3 часа на одном GPU A100 80GB.

Что можно сделать

  • Запустить локальный сервер через SGLang с парсером рассуждений в стиле deepseek-r1.
  • Интегрировать модель в задачи помощников и агентов, которым требуется пошаговый разбор задач перед действием.
  • Использовать стандартный код на Transformers для генерации ответов с предварительным блоком размышлений.
  • Тестировать модель на математических и кодинговых задачах, требующих детализированного логического вывода.

Пример

Запуск генерации ответа с логическим выводом на Python с использованием transformers:

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

name = "kaivoss/LLaDA2.2-mini-Thinking"
tok = AutoTokenizer.from_pretrained(name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(name, trust_remote_code=True, dtype=torch.bfloat16, device_map="cuda")

messages = [{"role": "user", "content": "Solve 5x^2 - 6x + 4 = 0."}]
prompt = tok.apply_chat_template(messages, add_generation_prompt=True, tokenize=False)
ids = tok(prompt, add_special_tokens=False, return_tensors="pt").input_ids.to("cuda")
out = model.generate(ids, gen_length=1536, block_length=32, steps=32, threshold=0.5, eos_early_stop=True)
text = "\n" + tok.decode(out[0], skip_special_tokens=True)
thinking, answer = text.split("", 1)
print(answer.strip())
ПодробнееБаза: inclusionAI/LLaDA2.2-mini
Метод: LoRA r32 на внимании, плотных MLP и разделяемых экспертах с последующим слиянием весов
Требования к VRAM: около 33 ГБ под веса, достаточно одной видеокарты с 80 ГБ VRAM
Ограничения: оценена всего на 8 примерах, длинные размышления могут упираться в лимит длины токенов
Лицензия базовой модели: Apache-2.0
Обсудить Telegram 0 25

Запустится ли?

Запустится в FP8 / INT8

Полная точность не влезет, но сжатая версия поместится — качество почти не страдает до 8 бит, заметнее на 4 битах.

  • BF16веса 30 GB · готовые файлы31 GB
  • FP8 / INT8рекомендуемвеса 15 GB16 GB
  • 4-bitвеса 8.5 GB9.4 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 4090 · BF16 — от RTX 5090

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Для текстовых моделей — с контекстом 8192 токенов.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте A30

    $0.26 в час с купоном. При создании машины выберите образ Ubuntu.

    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.

    # kaivoss/LLaDA2.2-mini-Thinking — 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 kaivoss/LLaDA2.2-mini-Thinking --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к LLaDA2.2-mini-Thinking
  3. 3. Пользуйтесь

    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.

  • 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

Дообучение модели

inclusionAI/LLaDA2.2-mini

Новые посты про версии LLaDA2.2-mini — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 6Все на Hugging Face
Дообучения 2Все на Hugging Face
LoRA и адаптеры 1Все на Hugging Face

О модели

kaivoss/LLaDA2.2-mini-Thinking
Автор
kaivoss
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

250

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии