К содержимому
Языковые модели

Ying K1.5 Lite 200M

компактная китайская диалоговая LLM

1 мин чтенияобновлено

Это dense-модель на 210,2M параметров от Karasumikura, дообученная SFT на 365,9M токенов китайских инструкций. База — Ying-K1.5-Lite-200M-base, предобученная на 24,07B токенов; контекст 8192 со скользящим окном 1024. Модель отвечает по шаблону <|user|>/<|assistant|>.

Ключевые особенности

  • Архитектура MM200: 16 слоёв, hidden 768, GQA 3:1, gated attention + QK-norm, словарь 16 006 токенов.
  • Полнопараметрический SFT: 507 344 китайских инструкции, 2 эпохи, assistant-only loss mask.
  • Вес в bf16 занимает 420,4 МБ; лицензия Apache-2.0, обучение шло на 8× MTT S4000.
  • DPO не проводился — в этой версии только SFT.
  • AutoModel.generate() работает без KV cache и медленно пересчитывает контекст; для скорости есть mm200_runtime.py.

Пример

import sys, torch
from transformers import AutoTokenizer, AutoModelForCausalLM
d = "Karasumikura/Ying-K1.5-Lite-200M"; sys.path.insert(0, d)
tok = AutoTokenizer.from_pretrained(d, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(d, trust_remote_code=True, dtype=torch.bfloat16)
ids = tok("<|user|>Кратко объясни, что такое скользящее внимание<|assistant|>", return_tensors="pt").input_ids
out = model.generate(ids, max_new_tokens=128, do_sample=True, temperature=0.7, top_p=0.9, repetition_penalty=1.15)
print(tok.decode(out[0][ids.shape[1]:], skip_special_tokens=True))
ПодробнееОбучение: 24,07B токенов предобучения + 365,9M токенов SFT; DPO не проводился.
Размер: 210,2M параметров, bf16, вес 420,4 МБ; 16 слоёв, hidden 768.
Ограничения: слабые фактические знания и многошаговые рассуждения, английский хуже китайского, нет обучения безопасности.
Скорость: без KV cache генерация медленная; для потоковой работы используйте mm200_runtime.py.
Обсудить Telegram 0 1,1 тыс.

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.

    # Karasumikura/Ying-K1.5-Lite-200M
    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 Karasumikura/Ying-K1.5-Lite-200M --local-dir ~/models/Ying-K1.5-Lite-200M
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Ying-K1.5-Lite-200M
  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 Ying-K1.5-Lite-200M — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Karasumikura/Ying-K1.5-Lite-200M
Автор
Karasumikura
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

1,1 тыс.0

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

chesSLM

chesSLM
Языковые модели

Zehn 135M

Zehn 135M