сверхбыстрая тернарная языковая модель для процессоров
schedule 2 мин чтения
Эта компактная модель на 150M (миллионов) параметров использует тернарные веса (где значения почти полностью равны −1, 0 или +1), что позволяет ей работать в разы быстрее аналогов прямо на центральном процессоре. Модель обучена всего на 5.6 миллиарда токенов текста и выдает рекордные 1,100–1,500 токенов в секунду на обычном процессоре Mac (Apple M2–M4) без использования видеокарты. Благодаря кастомному движку и малому весу (всего 124 МБ) она идеально подходит для экспериментов с локальным запуском ИИ на ноутбуках и слабых ПК.
Ключевые особенности
Тернарная архитектура: веса модели почти полностью состоят из значений −1, 0 и +1 (1.58-битный подход).
Экстремальная скорость: выдает от 1,100 до 1,500 токенов в секунду на CPU Apple Silicon без помощи GPU.
Миниатрный размер: файл весов занимает всего 124 МБ, модель помещается в оперативную память любого устройства.
Высокая энергоэффективность: потребляет минимум энергии при генерации текста на процессоре.
Что можно сделать
Запустить локальный чат: развернуть быструю языковую модель на своем Mac для интерактивного общения и написания кода в терминале.
Провести бенчмаркинг: протестировать скорость генерации и точность ответов на собственном процессоре с помощью встроенных скриптов.
Интегрировать в легкие приложения: использовать модель в качестве быстрого и экономичного И1-ассистента на устройствах без мощных видеокарт.
ПодробнееПараметры: 150M, тернарные веса (−1, 0, +1) Обучение: 5.6B токенов текста + 113.5M токенов файнтюна на чат Контекст: 1,024 токена Требования: Mac с процессором Apple silicon (M1 и новее), macOS 13+ (лаунчеры для NVIDIA, Intel и AMD в разработке) Лицензия: CC BY-NC 4.0 (только для некоммерческого использования)
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.
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.
# Nantiro/Nantiro-150M-5.6B — A30, FP8 / INT8
# 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 Nantiro/Nantiro-150M-5.6B --max-model-len 8192 --quantization fp8
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.
Комментарии