К содержимому
Языковые модели

K2-Horizon-3.7B English 65K

компактная версия с урезанным словарём

1 мин чтения

Это производная от IFM/K2-Horizon-3.7B: архитектура и веса сохранены, но токенизатор сокращён с 250 624 до 65 536 токенов. Число параметров уменьшено с 5 058 255 360 до 4 110 604 800 (−18,73%). Это не новый pretraining и не файнтюн, а оптимизация словаря под английский.

Ключевые особенности

  • Dense decoder-only модель с наследованным контекстом 512K; ориентирована на английский чат и генерацию текста.
  • Byte-level BPE без <unk>: удалённые токены собираются из меньших частей.
  • Строки эмбеддингов и lm_head для оставшихся токенов скопированы из обученной модели и не дообучались.
  • Специальные, chat, reasoning/thinking и tool-call токены сохранены; chat template не менялся.
  • Ассеты под исходный словарь на 250 624 токена несовместимы; не английский текст и код могут токенизироваться мельче.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = 'luluw/K2-Horizon-3.7B-eng-65k-trimmed-4B-dense'
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_id, dtype='bfloat16', device_map='auto', trust_remote_code=True
)
ПодробнееИсходная модель: 3.7B-core, dense, контекст 512K.
Параметры derivative: 4 110 604 800; словарь: 65 536 токенов.
Бенчмарки в карточке относятся к IFM/K2-Horizon-3.7B, а не к этой версии.
В примере карточки указан другой model_id — сверяйтесь с репозиторием.
Обсудить Telegram 1 99

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.

    # luluw/K2-Horizon-3.7B-eng-65k-trimmed-4B-dense
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 luluw/K2-Horizon-3.7B-eng-65k-trimmed-4B-dense --local-dir ~/models/K2-Horizon-3.7B-eng-65k-trimmed-4B-dense
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  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 K2-Horizon-3.7B-eng-65k-trimmed-4B-dense — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

luluw/K2-Horizon-3.7B-eng-65k-trimmed-4B-dense
Автор
luluw
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

991

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии