К содержимому
Другое

tiny-dlms-rhoa-small

компактная модель для классификации намерений

2 мин чтения

Модель tiny-dlms-rhoa-small представляет собой крошечную систему принятия решений, которая оценивает список вариантов для заданной ситуации и выбирает наиболее подходящий. Архитектура написана с нуля на PyTorch без использования стандартной библиотеки transformers и содержит всего 0,72 млн параметров. В основе лежит претрейн на 2 ГБ веб-текста с последующим файнтюном на четырех датасетах для классификации. Она использует RMSNorm, RoPE (метод позиционного кодирования) и SwiGLU (разновидность функции активации в нейросети). Проект создан как учебная демонстрация для разработчиков, интересующихся устройством трансформеров изнутри.

Ключевые особенности

  • Архитектура из 2 слоев и шириной 64 с 4 головками внимания, написанная полностью на PyTorch.
  • Токенизатор byte-level BPE с базой в 8 192 токена, обученный на веб-текстах.
  • Обучение в два этапа: маскированное претренирование на 2 ГБ данных FineWeb-Edu и дообучение на бенчмарках.
  • Легковесность: всего 0,72 млн весов для быстрой работы на процессоре.

Что можно сделать

  • Интегрировать в легковесные пайплайны классификации текста или определения намерений.
  • Запустить локальный пример из репозитория для оценки вероятностей выбора вариантов через метод decide().
  • Использовать исходный код в учебных целях для понимания внутренней работы токенизатора и трансформера.

Пример

from tiny_dlm.data import Decision, collate
from tiny_dlm.hub import from_pretrained

model, tokenizer, config = from_pretrained("liamsi/tiny-dlms-rhoa-small")
context = "i lost my card yesterday , what should i do ?"
options = ["lost or stolen card", "change pin", "card arrival"]
idx, cand_mask, _ = collate([Decision(context, options, options[:1])], tokenizer)
choice, probs = model.decide(idx, cand_mask)
print(options[choice.item()], probs[0].tolist())
ПодробнееМетрики на held-out тестах: bAbI — 81.4%, CLINC150 — 67.6%, Banking77 — 83.0%, CommonsenseQA — 17.6%.
Обучение: 14 000 шагов на 479 млн токенов (FineWeb-Edu).
Требования к железу: минимальные благодаря весу в 0,72 млн параметров.
Обсудить Telegram 0

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.0 GB · готовые файлы0.5 GB
  • BF16веса 0.0 GB0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 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.

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.

    # liamsi/tiny-dlms-rhoa-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 liamsi/tiny-dlms-rhoa-small --local-dir ~/models/tiny-dlms-rhoa-small
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к tiny-dlms-rhoa-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 tiny-dlms-rhoa-small — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

liamsi/tiny-dlms-rhoa-small
Автор
liamsi
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

Другое

Mundus 0.1

Mundus 0.1
Другое

PaleVision

PaleVision
Другое

ToolCall-200M-DPO

ToolCall-200M-DPO