К содержимому
Языковые модели

1⃣ AdamW, Muon and OKLS (163M)

чекпоинты исследования о «забывании» при дообучении

2 мин чтенияобновлено

Автор OhhMoo выложил набор из 63 исследовательских чекпоинтов компактного трансформера (162,8M активных параметров без учёта эмбеддингов, 240,1M всего) для проверки гипотезы: зависит ли выбор лучшего оптимизатора для дообучения от того, каким оптимизатором модель учили с нуля. В эксперименте проверили сетку 3×3 из алгоритмов AdamW, Muon и OKLS (Online KL Shampoo) на этапах претрейна и пост-трейна (чат-SFT и математика). Выяснилось, что при дообучении через AdamW модель после Muon забывает базовые знания примерно вдвое сильнее, а лучшую итоговую точность на обеих задачах даёт связка OKLS на претрейне + Muon на пост-трейне. Релиз пригодится ML-исследователям и инженерам, изучающим динамику обучения и катастрофическое забывание LLM.

Ключевые особенности

  • Полная сетка 3×3: в репозитории лежат 9 базовых моделей (по 3 сида на каждый оптимизатор, обученных на 3,3B токенов FineWeb) и 54 дообученных чекпоинта на чат-данных (tulu-3) и математике (OpenWebMath).
  • Эффект совместимости оптимизаторов: модели после AdamW меньше всего «забывают» при дообучении тем же AdamW, а модели после Muon и OKLS лучше сохраняют базу при пост-трейне через Muon.
  • Прозрачная аналитика: к весам приложены index.csv с гиперпараметрами, лоссами и хешами каждого чекпоинта, а также сводка результатов эксперимента в results/cells.json.
  • Совместимость с GPT-2 токенизатором: модель использует архитектуру decoder-only с GQA (групповым вниманием), RoPE, SwiGLU и стандартный словарь tiktoken gpt2 (дополненный до 50 304 токенов).

Что можно сделать

  • Сравнить траектории весов и спектр матриц после AdamW, Muon и OKLS на идентичной архитектуре и сидах без затрат на собственный претрейн.
  • Протестировать собственные методы борьбы с катастрофическим забыванием (catastrophic forgetting) при SFT на готовых базовых чекпоинтах в формате float32.
  • Использовать modeling.py как эталонную компактную реализацию трансформера, побитово совпадающую со скриптами обучения.

Пример

import tiktoken, torch
from modeling import load, chat_prompt

repo = "OhhMoo/adamw-muon-okls-pretrain-posttrain-163m"
enc = tiktoken.get_encoding("gpt2")
model, cfg = load("post/sft/okls-s0-to-muon/rung-1", repo_id=repo)
ids = torch.tensor([chat_prompt([{"role": "user", "content": "Give me three tips for studying."}])])
print(enc.decode(model.generate(ids, 120, temperature=0.7, top_k=50)[0, ids.size(1):].tolist()))
ПодробнееЛучший итоговый validation loss на задачах: связка OKLS → Muon показала 1.354 на чат-SFT и 2.882 на математике.
На претрейне (FineWeb) средний validation loss по 3 сидам составил: OKLS — 3.180, Muon — 3.220, AdamW — 3.235.
Ограничения: это компактные исследовательские модели без safety-тюнинга (пост-трейн всего 26M токенов), не предназначенные для продакшн-ассистентов.
Общий объём всех файлов репозитория — 34,5 ГБ (8,6 ГБ претрейн в float32 и 25,9 ГБ пост-трейн в bfloat16), лицензия Apache-2.0.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.9 GB · готовые файлы1.6 GB
  • FP8 / INT8рекомендуемвеса 0.4 GB1.1 GB
  • 4-bitвеса 0.3 GB0.9 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 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

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.

    # OhhMoo/adamw-muon-okls-pretrain-posttrain-163m — 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 OhhMoo/adamw-muon-okls-pretrain-posttrain-163m --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

Новые посты про версии adamw-muon-okls-pretrain-posttrain-163m — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

OhhMoo/adamw-muon-okls-pretrain-posttrain-163m
Автор
OhhMoo
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии