К содержимому
Языковые модели

KaiLu 3 Pro

компактная чат-модель на 1B параметров с рассуждениями

2 мин чтенияобновлено

KaiLu 3 Pro — это небольшая англоязычная чат-модель от автора KvcHub, обученная полностью с нуля без использования чужих весов. Она основана на гибридной архитектуре Lfm2ForCausalLM (сочетание слоёв коротких свёрток и внимания) и насчитывает 1,03 млрд параметров, поэтому без проблем запускается даже на обычном ноутбуке. В отличие от многих сверхмалых моделей, она умеет пошагово рассуждать перед ответом внутри тегов ..., если задать соответствующий системный промпт. Подойдёт разработчикам и энтузиастам для локальных экспериментов, быстрых прототипов и офлайн-задач на слабом железе.

Ключевые особенности

  • Обучена с нуля с поэтапным ростом: сначала автор обучил базовую модель на 329M параметров (6,6 млрд токенов), затем расширил её до 1B с сохранением накопленных знаний и дообучил на коде, математике и инструкциях с финальной настройкой через DPO (метод выравнивания ответов по предпочтениям).
  • Гибридная архитектура на 36 слоёв: 24 слоя с управляемыми короткими свёртками (gated short-convolution) чередуются с 12 слоями внимания (GQA — групповое внимание для экономии памяти).
  • Скромные требования и готовые форматы: 8-битная квантованная версия в формате GGUF весит всего 1,09 ГБ — быстро работает на CPU, Apple Silicon и видеокартах, а в репозитории уже лежат готовые настройки для Ollama, llama.cpp и LM Studio.
  • Режим пошагового мышления: при указании режима reasoning=medium в системном промпте модель выстраивает цепочку рассуждений перед выдачей финального ответа.

Что можно сделать

  • Развернуть локального офлайн-ассистента на ноутбуке через Ollama или LM Studio для базовой генерации англоязычного текста и простых задач программирования.
  • Поднять локальный OpenAI-совместимый API-сервер через llama-server для тестирования агентов, пайплайнов и логики работы с тегами рассуждений.
  • Использовать как лёгкую базовую модель с открытой лицензией Apache 2.0 для дальнейшего дообучения под собственные узкие задачи.

Пример

# Запуск в один клик через Ollama
ollama run hf.co/KvcHub/KaiLu-3-Pro

# Или запуск OpenAI-совместимого сервера в llama.cpp
llama-server -m KaiLu-3-Pro-Q8_0.gguf --jinja -c 1024
ПодробнееКонтекстное окно: модель обучалась на окнах длиной 1024 токена, поэтому плохо помнит длинную историю переписки.
Рекомендации: лучше всего работает при низкой температуре (0–0.3); на 0.7 начинает заметно фантазировать.
Ограничения: поддерживает только английский язык, склонна к галлюцинациям в фактах; бенчмарки MMLU, ARC-Challenge, HumanEval и GSM8K намеренно не приводятся, так как их тестовые наборы попали в обучающую выборку.
Веса: полная версия model.safetensors (bfloat16) весит 2,07 ГБ; содержит 6 неактивных тензоров vision_projector.* от экспериментального модуля зрения (модель работает только с текстом).
Обсудить Telegram 0 48

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.9 GB · готовые файлы2.9 GB
  • GGUF Q8_0рекомендуемвеса 1.0 GB · готовые файлы2.0 GB
  • FP8 / INT8веса 1.0 GB2.0 GB
  • 4-bitвеса 0.5 GB1.6 GB

Совет: берите 8-bit.GGUF Q8_0 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: GGUF Q8_0 — от RTX 2060 · BF16 — от RTX 2060

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.

    # KvcHub/KaiLu-3-Pro — A30, GGUF Q8_0
    # 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 -fsSL https://ollama.com/install.sh | sh
    ollama run hf.co/KvcHub/KaiLu-3-Pro:Q8_0
    Добавить ещё LoRA к KaiLu-3-Pro
  3. 3. Пользуйтесь

    Чат откроется прямо в терминале. Выйти — /bye, запустить снова — та же команда ollama run.

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 KaiLu-3-Pro — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

KvcHub/KaiLu-3-Pro
Автор
KvcHub
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

480

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

LedgerCall

LedgerCall