К содержимому
Другое

Lemma-2.2M-init2

микро-LLM для арифметики на токенах

1 мин чтенияобновлено

Lemma-2.2M-init2 — экспериментальная микро-LLM на 2,2 млн параметров от oscar128372. Она создана для проверки числовых рассуждений на уровне токенов и гибридного разреженно-рекуррентного внимания при жёстких ограничениях по параметрам и вычислениям. Претрейн с нуля шёл на одной NVIDIA T4.

Ключевые особенности

  • 2,2 млн параметров: 3 слоя UnifiedTransformerBlock (d_model=192, 4 головы, tied embeddings, logit softcapping 30.0).
  • Токенизатор на 2048 BPE-токенов с regex-изоляцией: каждая цифра и операторы + - * / = ( ) — отдельные токены.
  • Residual Pyramid Attention: локальное окно W=8 с Multi-Octave RoPE, retrieval через SRVQ и Triton-ядро, глобальные регистры G=8.
  • MSCSM и FFN: gated depthwise causal conv с тремя dilated-ветвями; Harmonic Differential StarCarrier FFN.
  • Обучение с нуля: 1× NVIDIA T4, ~6 часов претрейна (30 000 шагов, ~1,97 млрд токенов) и ~1 час посттренинга.

Пример

Чтобы загрузить веса, нужен класс UnifiedLM из modeling.py, CUDA-совместимая GPU и установленный triton: модель использует кастомные модули и Triton-ядро build_causal_index_fast_kernel.

ПодробнееБенчмарки zero-shot: HellaSwag 27.91%, ARC-Easy 34.34%, PIQA 54.95%, ArithMark-3.0 39.50% (acc_norm).
Intelligence Index Open SLM Leaderboard: +8.19.
Контекст — 512 токенов; это research preview, не для продакшена и фактической надёжности.
Для загрузки нужны CUDA-совместимая GPU и triton.
Обсудить Telegram 1 3

Запустится ли?

Запустится в F16

Влезает без сжатия.

  • F16веса 0.0 GB · готовые файлы0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 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 · F16 — 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

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.

    # oscar128372/Lemma-2.2M-init2
    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 oscar128372/Lemma-2.2M-init2 --local-dir ~/models/Lemma-2.2M-init2
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Lemma-2.2M-init2
  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.

Семья модели

Новые посты про версии Lemma-2.2M-init2 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

oscar128372/Lemma-2.2M-init2
Автор
oscar128372
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

31

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

Lemma-2.2M

Lemma-2.2M
Другое

d3-edge

d3-edge