К содержимому
Языковые модели

Merlin-9M

сверхкомпактная LLM на 8,85 млн параметров

2 мин чтенияобновлено

Merlin-9M — это крошечная языковая модель типа decoder-only (8,85M параметров), обученная с нуля автором Monster-Code на англоязычном датасете Stew-10B. Модель умеет продолжать текст на английском языке, но её главная ценность — в экспериментальной архитектуре: она использует рекуррентные слои (повторное прохождение одних и тех же весов для увеличения глубины без роста размера) и обучалась с помощью Multi-token prediction (предсказания сразу нескольких токенов вперёд). В обучающую выборку намеренно не добавляли популярные бенчмарки вроде ARC или HellaSwag, чтобы исключить переобучение под тесты. Модель подойдёт исследователям, разработчикам и энтузиастам, которые изучают претрейн с нуля или запускают нейросети на очень слабом железе.

Ключевые особенности

  • Рекуррентное ядро: из 12 уникальных слоёв слои с 3-го по 8-й применяются дважды, что даёт 18 эффективных слоёв без увеличения числа параметров.
  • Современный стек архитектуры: используются RoPE, RMSNorm, QK-norm, активация SwiGLU и оптимизатор Muon для 2D-весов в связке с AdamW для эмбеддингов.
  • Multi-token prediction (MTP-2): при обучении добавлялась вспомогательная голова для предсказания токена на две позиции вперёд, при этом на инференсе модель работает как стандартная causal LM.
  • Честный датасет без бенчмарков: модель обучалась на смеси Wikipedia, Ultra-FineWeb и DCLM-baseline 1.0 без данных из ARC, HellaSwag, PIQA и WinoGrande.

Что можно сделать

  • Изучить код самодостаточного модуля merlin9m.py из репозитория, чтобы разобраться в реализации depth-recurrent слоёв и кастомного цикла генерации на PyTorch.
  • Использовать чекпоинт как лёгкую базу для экспериментов с дообучением, квантованием или запуском LLM в условиях жёстких ограничений по памяти.

Пример

from merlin9m import load_model, generate

model, cfg, tok, step = load_model("Monster-Code/Merlin-9M")
print(generate(model, cfg, tok, "The capital of France is"))
ПодробнееПараметры: 8 854 146 (d_model 256, 12 уникальных / 18 эффективных слоёв, 8 голов, контекст 1024 токена).
Токенизатор: GPT-2 BPE, используются только первые 8 192 самых частых токена английского языка (остальные при инференсе обрезаются до диапазона [0, 8191]).
Обучение: текущий чекпоинт снят на шаге 12 502 после прохождения ~811M токенов.
Ограничения: поддерживает только английский язык; метрики на бенчмарках в карточке не приведены.
Обсудить Telegram 2

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.

    # Monster-Code/Merlin-9M
    # ===== 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 Monster-Code/Merlin-9M --local-dir ~/models/Merlin-9M
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Merlin-9M
  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 Merlin-9M — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Monster-Code/Merlin-9M
Автор
Monster-Code
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

02

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

Lynx-0.8B

Lynx-0.8B
Языковые модели

LFM2.5-2.6B

LFM2.5-2.6B