К содержимому
Языковые модели

MoR 198M

LLM, которая сама решает, сколько раз думать

2 мин чтенияобновлено

Это языковая модель на 198M параметров, обученная с нуля на одной T4 без предобученной базы и файнтюнинга. В основе — Mixture of Recursion (MoR): общий transformer-блок прогоняется через вход 1, 3 или 5 раз, а глубину выбирает роутер по perplexity. Простые запросы обрабатываются дешевле, сложные — глубже. Обучение шло на 150K англоязычных диалогов; на свежих данных модель заметно переобучается, поэтому это research/educational-инструмент, а не готовый чат-бот.

Ключевые особенности

  • MoR: общий transformer-блок повторяется 1, 3 или 5 раз в зависимости от сложности входа.
  • Роутер на 2-слойном MLP выбирает глубину по perplexity, без ручной разметки.
  • NaN-safe FP16: маскирование -1e4 и clamping; 0 NaN батчей на 150K шагов.
  • 198M параметров: GPT-2 BPE на 50 260 токенов, 16 слоёв, RoPE.
  • Ограничения: контекст 512 токенов, только английский, есть переобучение.

Что можно сделать

  • Проверять адаптивное вычисление: сравнивать ответы при 1, 3 и 5 рекурсивных проходах.
  • Изучать сборку LLM с нуля: код роутера, NaN-safe attention и обучение на T4.
  • Прототипировать чат-бота с оговорками: модель годится для экспериментов, не для продакшена.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer
model = AutoModelForCausalLM.from_pretrained("Plans11/recursive-language-model-198m", trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained("Plans11/recursive-language-model-198m", trust_remote_code=True)
prompt = f"<|user|>\n{question}\n<|assistant|>\n"
inputs = tokenizer(prompt, return_tensors="pt", add_special_tokens=False)
out = model.generate(**inputs, max_new_tokens=150, do_sample=True, temperature=0.7, top_p=0.9)
print(tokenizer.decode(out[0], skip_special_tokens=True))
ПодробнееVal PPL на своём распределении — 15.37; на свежих HH-RLHF — 43.21 против 26.89 у GPT-2 Medium.
Обучение: 150K шагов, ~9 ч 12 мин на T4 15.6 ГБ, 2 эпохи.
Контекст 512 токенов, только английский; возможны повторы после 200 токенов и галлюцинации.
Статус — research/educational, лицензия MIT.
Обсудить Telegram 0 24

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

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.

    # Plans11/recursive-language-model-198m
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 Plans11/recursive-language-model-198m --local-dir ~/models/recursive-language-model-198m
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к recursive-language-model-198m
  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.

  • 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 recursive-language-model-198m — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Plans11/recursive-language-model-198m
Автор
Plans11
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

240

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

GeoCarto

GeoCarto