К содержимому
Другое

granite-moe-task-packs-poc

частичная загрузка MoE-модели под конкретную задачу

3 мин чтенияобновлено

Исследовательский прототип (PoC) от Pantelispanka на базе ibm-granite/granite-3.1-1b-a400m-base, который решает проблему высоких требований к видеопамяти у MoE-моделей (Mixture-of-Experts — архитектура, где для каждого токена активируется лишь часть экспертных подсетей, но в памяти обычно приходится держать все). Вместо полной загрузки модели на устройство скачивается только компактный «пакет» нужных под задачу экспертов и лёгкий патч (веса роутера и low-rank дельта), а сами веса экспертов остаются общими и не меняются. Такой подход позволяет локально запускать задачи вроде генерации кода с потерей качества менее 4% даже при четверти от всех экспертов. Эксперимент пригодится разработчикам и исследователям, которые оптимизируют инференс MoE на слабом железе или мобильных устройствах.

Ключевые особенности

  • Вложенные пакеты экспертов (task packs): модель сжимается с 32 экспертов на слой до 16, 12 или 8 штук (с 1.33B до 0.73B или 0.43B параметров), а размер патча составляет всего 10–39 МБ.
  • Стабильная скорость генерации: поскольку в памяти находятся только выбранные эксперты, отсутствует постоянная подкачка весов (swapping), и скорость декодирования остаётся на уровне ~16 токенов/с.
  • Высокая точность на коде: на задачах программирования пакет из 8 экспертов показывает perplexity 3.79 против 3.65 у полной модели, а пакет из 16 — 3.51.
  • Обучение через дистилляцию: пакеты обучаются на полном выходе исходной модели при физически заблокированных лишних экспертах, при этом сами базовые веса экспертов остаются замороженными.

Что можно сделать

  • Локально запускать специализированные ассистенты для написания кода или ответов на вопросы (QA) на видеокартах с небольшим объёмом VRAM, сократив вес экспертов с 2.4 ГБ до 1.2 ГБ и ниже.
  • Воспроизвести эксперименты по отбору экспертов и дообучению роутеров с помощью готовых скриптов из репозитория (14_task_pack.py, 16_run_pack.py) на своих задачах.
  • Использовать наработки как отправную точку для переноса архитектуры task packs на более крупные MoE-модели (например, со 128 экспертами на слой).

Пример

В репозитории выложены готовые пакеты в папке packs/ и скрипты для запуска в scripts/. Сценарий работы из карточки: центральный сервер хранит общие веса модели, а клиентское устройство для задачи программирования загружает 16 или 8 нужных экспертов на слой вместе с патчем и запускает локальный инференс через scripts/16_run_pack.py без подкачки недостающих весов.

ПодробнееБазовая модель: ibm-granite/granite-3.1-1b-a400m-base (24 слоя, 32 эксперта на слой, 8 активных на токен).
Метрики (perplexity, меньше — лучше): code — 3.65 (полная) / 3.51 (16 эксп.) / 3.79 (8 эксп.); qa — 6.93 / 7.43 / 9.89; math — 2.05 / 3.00 / 3.61.
Железо и обучение: эксперименты проведены на ноутбучной RTX 4070 (8 GB VRAM), обучение одного пакета занимает 10–30 минут.
Ограничения: math и prose теряют 45–50% качества на половине экспертов; пакеты жёстко привязаны к своей задаче; для первого токена контекста требуется таблица векторов от полной модели; замеры выполнены на единичных прогонах без расчёта task accuracy.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 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 · 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

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.

    # Pantelispanka/granite-moe-task-packs-poc
    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 Pantelispanka/granite-moe-task-packs-poc --local-dir ~/models/granite-moe-task-packs-poc
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к granite-moe-task-packs-poc
  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 granite-3.1-1b-a400m-base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 4Все на Hugging Face

О модели

Pantelispanka/granite-moe-task-packs-poc
Автор
Pantelispanka
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии