К содержимому
Другое

Duo data-fraction scaling study: набор чекпоинтов диффузионных языковых моделей

1 мин чтенияобновлено

Репозиторий содержит промежуточные и финальные чекпоинты (состояния нейросети) пяти дискретных диффузионных языковых моделей Duo с размером бэкбона (основы) около 169 млн параметров. Модели обучены на вложенных подмножествах датасета OpenWebText (от 10% до 100% данных) с весовым затуханием (weight decay) 0.1 для изучения законов масштабирования. Набор полезен исследователям архитектур генерации текста и диффузионных моделей для анализа траекторий обучения.

Ключевые особенности

  • Пять вариантов моделей, обученных на 10%, 25%, 50%, 75% и 100% тренировочных блоков
  • DiT-архитектура с контекстом на 1024 токена и токенизатором GPT-2
  • Использование алгоритма duo_base с лог-линейным расписанием шума
  • Полные чекпоинты на фиксированной сетке шагов для анализа траектории обучения

Что можно сделать

  • Проанализировать законы масштабирования и изменение весов на разных этапах обучения
  • Загрузить чекпоинты для продолжения обучения или извлечения весов бэкбона
  • Исследовать метрики валидации и нормы весов из прилагаемых JSONL-файлов

Пример

import torch

ck = torch.load("frac_0.10/checkpoints/step_0475000.ckpt", map_location="cpu", weights_only=False)
raw = {k: v for k, v in ck["state_dict"].items() if k.startswith("backbone.")}
print(ck["global_step"], ck["scaling_meta"]["clock"]["train_s"] / 3600, "training hours")
Подробнее• Данные: OpenWebText, 8.7 млн блоков для полной версии
• Обучение: AdamW (lr 3e-4), смешанная точность bf16
• Метрики: Валидационный NELBO от 3.3461 до 3.3763 nats/token
• Ограничения: Время обучения смешивает GPU H100 и H200
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 2.5 GB · готовые файлы3.3 GB
  • FP8 / INT8рекомендуемвеса 1.3 GB1.9 GB
  • 4-bitвеса 0.7 GB1.3 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 · BF16 — от RTX 2060

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

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

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.

    # lemoncmd/duo-scaling-wd0.1-small
    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 lemoncmd/duo-scaling-wd0.1-small --local-dir ~/models/duo-scaling-wd0.1-small
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к duo-scaling-wd0.1-small
  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.

Семья модели

Новые посты про версии duo-scaling-wd0.1-small — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

lemoncmd/duo-scaling-wd0.1-small
Автор
lemoncmd
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

Inkling 2 Small

Inkling 2 Small