К содержимому
Языковые модели

Llama-Krikri-8B-Instruct-v1.5-Heretic-MPOA

версия без цензурных отказов на английском и греческом

2 мин чтенияобновлено

Это модификация языковой модели ilsp/Llama-Krikri-8B-Instruct-v1.5 на 8,2 млрд параметров, прошедшая процедуру abliteration (удаление механизма отказов отвечать на запросы без дообучения на новых данных) с помощью инструмента Heretic 2.1.0. В репозитории доступны как готовые объединенные веса в формате BF16, так и отдельный компактный PEFT-адаптер (небольшая надстройка над базовой моделью весом около 10 МБ). От оригинала релиз отличается резким снижением числа отказов даже на безопасных промптах при сохранении исходной скорости генерации. Модель пригодится разработчикам и исследователям, которым нужен локальный двуязычный ассистент для английского и греческого языков без лишних фильтров.

Ключевые особенности

  • Минимум ложных отказов: на безобидных запросах доля отказов упала с 27% до 8% на греческом и с 19% до 9% на английском.
  • Без потери скорости: объединенная модель выдает 43,09 токена/с при batch size 1 и 325,72 токена/с при batch size 8 на RTX 3090 — практически на уровне оригинала.
  • Два варианта запуска: можно скачать полную модель в BF16 (~16,4 ГБ) или подгрузить легкий LoRA-адаптер на 2,55 млн параметров поверх базовой версии.
  • Прозрачные замеры: автор приложил скрипты воспроизведения и таблицы с проверкой точности, отказов и скорости на фиксированных ревизиях датасетов.

Что можно сделать

  • Развернуть локальный чат-бот: использовать для генерации ответов на английском и греческом языках без срабатывания стандартных фильтров на нейтральные темы.
  • Интегрировать через PEFT: подключить 10-мегабайтный адаптер из папки adapter/ к уже скачанной базовой модели Llama-Krikri-8B-Instruct-v1.5, чтобы сэкономить место на диске.
  • Протестировать поведение при abliteration: сравнить ответы оригинальной и модифицированной версий по готовым метрикам из папки performance/.

Пример

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "mpvasilis/Llama-Krikri-8B-Instruct-v1.5-Heretic-MPOA"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, dtype=torch.bfloat16, device_map="auto").eval()

messages = [{"role": "user", "content": "Explain how olive trees adapt to dry summers."}]
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(prompt, add_special_tokens=False, return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=256, do_sample=False)
print(tokenizer.decode(out[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True))
ПодробнееБенчмарки (сэмплированные): MMLU (EN) — 54,39% (-3,95 п.п. к базе), Belebele (EL) — 64,00% (-1,00 п.п.), Belebele (EN) — 70,00% (-4,00 п.п.).
Проверка отказов на JBB: на чувствительных запросах совпадения по маркерам отказа снизились с 78/89 до 11/89 (EL) и с 83/89 до 7/89 (EN); строгий контроль инструкций сохранился на уровне 6/8.
Железо: веса занимают около 16,4 ГБ на диске; тестировалось на одной RTX 3090 (24 ГБ VRAM) с PyTorch 2.15.0 и transformers 5.23.0.
Метод: 60 итераций классической оптимизации MPOA в Heretic 2.1.0 (rank 3, финальный LoRA alpha 6, first-token KL 0,09486). Лицензия: Llama 3.1 Community License.
Примеры
Обсудить Telegram 0 24

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 15 GB · готовые файлы17 GB
  • FP8 / INT8рекомендуемвеса 7.6 GB9.2 GB
  • 4-bitвеса 4.3 GB5.9 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 3080 · BF16 — от RTX 4090

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.

    # mpvasilis/Llama-Krikri-8B-Instruct-v1.5-Heretic-MPOA — A30, FP8 / INT8
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    # 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 mpvasilis/Llama-Krikri-8B-Instruct-v1.5-Heretic-MPOA --max-model-len 8192 --quantization fp8
  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

Дообучение модели

ilsp/Llama-Krikri-8B-Instruct-v1.5
  1. Llama-Krikri-8B-Baseоснова семьи
  2. Llama-Krikri-8B-Instruct-v1.5
  3. Llama-Krikri-8B-Instruct-v1.5-Heretic-MPOA

Новые посты про версии Llama-Krikri-8B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 4Все на Hugging Face
Дообучения 3Все на Hugging Face
LoRA и адаптеры 1Все на Hugging Face

О модели

mpvasilis/Llama-Krikri-8B-Instruct-v1.5-Heretic-MPOA
Автор
mpvasilis
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

240

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии