К содержимому
Языковые модели

InDEXt-125M

компактная двуязычная (EN/RU) языковая модель с нуля

2 мин чтенияобновлено

InDEXt-125M — сверхлёгкая генеративная языковая модель (SLM) от ResonateIntegrated, обученная полностью с нуля на русском и английском языках. В её основе лежит современная архитектура типа Llama-3 (124,13 млн параметров, из которых 99,11 млн приходится на 12 слоёв трансформера и 25,02 млн — на эмбеддинги) с поддержкой RoPE, RMSNorm, SwiGLU и FlashAttention-2. В отличие от моделей, дообученных на базе англоязычных весов, здесь с нуля создан сбалансированный двуязычный ByteLevel BPE-токенизатор на 32 576 токенов, что делает обработку кириллицы заметно экономнее. Модель прошла предобучение по законам масштабирования Chinchilla на 2,48 млрд токенов и финальную настройку под диалоги (SFT). Она подойдёт для экспериментов на слабом железе, встраивания в локальные прототипы и изучения архитектуры компактных LLM.

Ключевые особенности

  • Собственный EN/RU токенизатор (vocab_size = 32 576), обученный на сбалансированном корпусе для эффективной работы с кириллицей и латиницей.
  • Двухэтапный пайплайн: 4400 шагов предобучения на веб- и образовательных текстах и 645 шагов SFT-полировки (настройка на диалоги 50/50 EN и RU).
  • Современный стек декодера LlamaForCausalLM: RoPE, пре-нормализация RMSNorm, активация SwiGLU, Weight Tying и ускорение внимания через SDPA.
  • Веса сохранены в формате SafeTensors в точности bfloat16 при длине контекста 1024 токена.

Что можно сделать

  • Запустить локальный диалоговый прототип или чат-бота на русском и английском языках с минимальными затратами видеопамяти.
  • Использовать модель как лёгкую базу для дальнейшего файнтюнинга (дообучения) под узкие текстовые задачи или классификацию.
  • Изучить на практике поведение компактных моделей (125M параметров), обученных по оптимальному соотношению Chinchilla (~20 токенов на параметр).

Пример

from safetensors.torch import load_file
from transformers import PreTrainedTokenizerFast

tokenizer = PreTrainedTokenizerFast.from_pretrained("./InDEXt-125M")
state_dict = load_file("./InDEXt-125M/model.safetensors", device="cuda")
model.load_state_dict(state_dict, strict=True)
prompt = "<|user|>\nExplain what a neural network is in simple terms.\n<|assistant|>\n"
print(model.generate(prompt, tokenizer, max_new_tokens=128))
ПодробнееОбучена на 2,48 млрд токенов (5045 шагов, глобальный батч 491 520 токенов) с оптимизатором AdamW.
Датасеты: fineweb-edu, fineweb-2 (rus_Cyrl), smoltalk и Vikhrmodels/GrandMaster-PRO-MAX.
Архитектура: 12 слоёв, 12 голов внимания, d_model = 768, hidden_dim = 2560, контекст 1024 токена.
Спецтокены диалога: <|user|>, <|assistant|>, <|endoftext|>, <|pad|>.
Обсудить Telegram 0 22

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.

    # ResonateIntegrated/InDEXt-125M
    # ===== 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 ResonateIntegrated/InDEXt-125M --local-dir ~/models/InDEXt-125M
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к InDEXt-125M
  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 InDEXt-125M — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

ResonateIntegrated/InDEXt-125M
Автор
ResonateIntegrated
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

220

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

Tally v7 LoRA

Tally v7 LoRA