SuperMart SLM — это компактная языковая модель на 340M параметров, обученная с нуля на данных о транзакциях в супермаркетах и научных исследованиях в сфере ритейла. Она построена на архитектуре Qwen3 и создана для ответов на аналитические вопросы по конкретному датасету покупок. Модель хорошо справляется с фактами из своей обучающей выборки, но не предназначена для реальных финансовых решений. Она подойдет для изучения возможностей мини-моделей, запущенных локально.
Ключевые особенности
Архитектура Qwen3 с 12 слоями и скрытым размером 768
Обучена с нуля в три этапа на домашних данных с использованием одной RTX 4050
Специализируется на ответах о продажах, товарах, чеках и скидках
Доступна в форматах для Hugging Face transformers и в виде GGUF для Ollama
Что можно сделать
Запустить модель локально через Ollama с помощью готового файла конфигурации Modelfile
Интегрировать модель в Python-скрипты с использованием библиотеки transformers для ответов на вопросы по ритейлу
Изучать поведение мини-моделей, обученных на узкоспециализированных датасетах
Пример
from transformers import AutoTokenizer, AutoModelForCausalLM
tok = AutoTokenizer.from_pretrained("nandangowda/supermart-slm")
model = AutoModelForCausalLM.from_pretrained("nandangowda/supermart-slm")
system = "You are SuperMart SLM, a small language model trained from scratch to answer questions about supermarket retail analytics..."
msgs = [{"role": "system", "content": system},
{"role": "user", "content": "What is the average basket size?"}]
ids = tok.apply_chat_template(msgs, add_generation_prompt=True, return_tensors="pt", return_dict=True)["input_ids"]
out = model.generate(ids, max_new_tokens=128, do_sample=False)
print(tok.decode(out[0][ids.shape[1]:], skip_special_tokens=True))
ПодробнееПараметры: 339.6М Контекст: 512 токенов Обучение: претренировка с нуля, дообучение на текстах и чат-файнтюн заняли около 7 часов на RTX 4050 Laptop GPU (6 ГБ VRAM) Ограничения: модель хорошо запоминает обучающие факты, но плохо обобщает новые данные
Совет: берите 8-bit.GGUF Q8_0 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.
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.
# nandangowda/supermart-slm — A30, GGUF Q8_0
# 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 -fsSL https://ollama.com/install.sh | sh
ollama run hf.co/nandangowda/supermart-slm:Q8_0
Комментарии