К содержимому
Языковые модели

TinyStories Llama 60M

сверхкомпактная LLM для генерации сказок

2 мин чтенияобновлено

Компактная языковая модель с архитектурой в стиле Llama (19 слоёв, 60,2 млн параметров), обученная с нуля на датасете коротких англоязычных детских историй TinyStories. Проект создан автором LayanSh1 в рамках учебного исследования законов масштабирования (scaling laws — расчёта оптимального соотношения размера модели и объёма данных под доступные вычислительные ресурсы). В отличие от крупных универсальных нейросетей, эта модель не умеет отвечать на вопросы или вести диалог, зато способна быстро дописывать простые сюжетные тексты на английском даже на обычном CPU. Она пригодится разработчикам и исследователям для экспериментов с обучением с нуля, изучения работы токенизаторов и тестирования инференса на слабом железе.

Ключевые особенности

  • Архитектура Llama: 19 слоёв, скрытый размер 512, SwiGLU, RoPE, RMSNorm и GQA (grouped-query attention — оптимизированный механизм внимания с 4 KV-головами для экономии памяти).
  • Свой BPE-токенизатор: обучен с нуля на тренировочной выборке с компактным словарём на 8 192 токена, что позволило сократить долю эмбеддингов до 7% от всех весов.
  • Сверхлёгкий запуск: модель весит около 60M параметров и проверена в бесплатном Google Colab на CPU без использования видеокарты.
  • Строгая фильтрация данных: обучена на 270 тыс. уникальных историй, очищенных от точных дубликатов по SHA-256 хешам.

Что можно сделать

  • Изучить законы масштабирования на практике: сравнить поведение недообученной по правилу Chinchilla модели (0,49 токена на параметр вместо рекомендуемых 20) с её метриками в приложенном файле history.json.
  • Встроить в лёгкие локальные прототипы: использовать в проектах, где нужна мгновенная генерация связного английского текста без затрат на GPU.
  • Продолжить дообучение (pretraining): кривая потерь к концу обучения продолжала снижаться, поэтому модель можно дотренировать на оставшейся части датасета.

Пример

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = "LayanSh1/tinystories-llama-60m"
tokenizer = AutoTokenizer.from_pretrained(repo_id)
model = AutoModelForCausalLM.from_pretrained(repo_id)
inputs = tokenizer("Once upon a time, there was a little girl named", return_tensors="pt", add_special_tokens=False)
print(tokenizer.decode(model.generate(**inputs, max_new_tokens=80, do_sample=True, temperature=0.7, top_k=50)[0], skip_special_tokens=True))
ПодробнееМетрики на тестовой выборке (test split): Cross-Entropy Loss — 2.037, Perplexity — 7.67.
Обучение: 1 800 шагов (~91 минута) на одной видеокарте NVIDIA Tesla T4 (16 ГБ), пиковое потребление памяти при обучении — 4,47 GiB.
Ограничения: длина контекста при обучении — 256 токенов, только английский язык, слабая причинно-следственная логика в длинных генерациях и отсутствие режима чата.
Обсудить Telegram 0 28

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.2 GB · готовые файлы1.0 GB
  • BF16веса 0.1 GB0.9 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.8 GB
  • 4-bitвеса 0.0 GB0.8 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 2060 · F32 — 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.

    # LayanSh1/tinystories-llama-60m — 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 LayanSh1/tinystories-llama-60m --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к tinystories-llama-60m
  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

Новые посты про версии tinystories-llama-60m — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

LayanSh1/tinystories-llama-60m
Автор
LayanSh1
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

280

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии