К содержимому
Другое

PhyGHT mu200

чекпоинт модели для анализа физических событий

2 мин чтенияобновлено

Модель PhyGHT mu200 решает задачу табличной регрессии (прогнозирования числовых величин по табличным данным) на основе физических симуляций столкновок частиц. Она обучена с нуля на 8 000 событий для предсказания долей энергии и массы (energy_fraction и mass_fraction). Архитектура включает размерность 128, 4 головы внимания и 3 Transformer-слоя. Чекпоинт пригодится исследователям в области физики высоких энергий и разработчикам, работающим со сложными табличными данными и графовыми симуляциями.

Ключевые особенности

  • Обучение на 200 эпохах с использованием валидационного hybrid loss.
  • Высокие показатели метрики R2 на валидации и тесте (до 0.93 для энергии).
  • Полная воспроизводимость инференса с фиксированными настройками CUDA.
  • Интеграция с библиотекой PyTorch и torch-geometric.

Что можно сделать

  • Запустить локальный инференс на Python для анализа тестовых событий из репозитория.
  • Проверить качество предсказания долей энергии и массы на собственных наборах данных симуляций.
  • Интегрировать модель в пайплайны обработки данных физики высоких энергий.

Пример

import json, sys, os
os.environ.setdefault("CUBLAS_WORKSPACE_CONFIG", ":4096:8")
from pathlib import Path
import torch
from huggingface_hub import snapshot_download
folder = Path(snapshot_download("Rakib/PhyGHT-mu200"))
sys.path.insert(0, str(folder))
from portable_io import load_model, predict_event
device = "cuda" if torch.cuda.is_available() else "cpu"
model = load_model(folder, device=device)
event = json.loads((folder / "example_event.json").read_text())
predictions = predict_event(model, event, device=device)
ПодробнееМетрики test energy_fraction R2: 0.9346, MAE: 0.0124
Метрики test mass_fraction R2: 0.8366, MAE: 0.0095
Требования: Python 3.10.18, PyTorch 2.6.0+cu124, torch-geometric
Ограничения: симулированные top-quark-pair события, для реальных данных требуется валидация
Обсудить Telegram 0 25

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.0 GB · готовые файлы0.5 GB
  • BF16веса 0.0 GB0.5 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 · F32 — 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.

    # Rakib/PhyGHT-mu200
    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 Rakib/PhyGHT-mu200 --local-dir ~/models/PhyGHT-mu200
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к PhyGHT-mu200
  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 PhyGHT-mu200 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Rakib/PhyGHT-mu200
Автор
Rakib
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

250

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии