К содержимому
Другое

Llama-3.2-1B-Recurrent-Loopy-W4A8-G32

квантованный чекпоинт рекуррентной Llama 3.2

2 мин чтенияобновлено

Это исследовательский чекпоинт от review-artifacts-27, основанный на рекуррентной языковой модели irafm-llm/Recurrent-Llama-3.2-1B (с глубиной рекурренции T=16). Модель прошла квантование (сжатие весов и активаций для экономии ресурсов) по схеме W4A8 — 4 бита на веса с размером группы 32 и динамические 8 бит на активации на токен. Чекпоинт отобрали из пула в 400 кандидатов с применением преобразования Адамара. Решение пригодится исследователям и инженерам, которые изучают сжатие рекуррентных LLM и хотят воспроизвести экспериментальные замеры из научной работы.

Ключевые особенности

  • Квантование W4A8 (веса 4 бита с группой G32, динамические активации A8) и блок Адамара размером 128.
  • Отбор лучшего кандидата (s250725084_p12_b128) из 400 вариантов с использованием фиксированных окон WikiText-103.
  • В репозиторий включены скрипты воспроизведения, замороженный протокол, хеши SHA-256 и эталонные метрики в BF16.
  • Веса W4 хранятся в контейнерах INT8 без упакованного INT4-хранилища и без специализированного INT4-ядра для инференса; оценка работает через эмуляцию в BF16.

Что можно сделать

  • Воспроизвести экспериментальные замеры перплексии на WikiText-2 и точности на пяти бенчмарках (LAMBADA, WinoGrande, ARC-C, HellaSwag, MMLU).
  • Использовать сохраненные артефакты поиска и калибровочные окна как базу для сравнения собственных методов квантования рекуррентных моделей.
  • Сравнить поведение схемы W4A8 с соседним вариантом релиза W4A4-G32 на одних и тех же тестовых задачах.

Пример

hf download review-artifacts-27/Llama-3.2-1B-Recurrent-Loopy-W4A8-G32 --local-dir loopy-model
cd loopy-model/code && conda env create -f environment.yml && conda activate loopy
python scripts/download_hf_artifacts.py --snapshot .. --output "$PWD/artifacts/g32"
export LOOPY_ARTIFACTS="$PWD/artifacts/g32" LOOPY_MODELS="recurrent-llama-3.2-1b"
CUDA_VISIBLE_DEVICES=0 python eval_tasks.py --model recurrent-llama-3.2-1b --a-bits 8 --variant selected --tasks mmlu
ПодробнееСредняя точность (Mean acc.) по 5 задачам: 37.23% (WinoGrande — 52.80%, HellaSwag — 45.88%, LAMBADA — 34.76%, ARC-C — 28.75%, MMLU — 23.94%), WT2 word PPL — 24.76.
Ограничение: это кастомный чекпоинт Loopy, стандартный вызов from_pretrained() из Transformers не подойдет — нужен комплектный загрузчик.
Лицензия на веса: Llama 3.2 Community License; для запуска требуется GPU с поддержкой CUDA.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.9 GB · готовые файлы2.6 GB
  • FP8 / INT8рекомендуемвеса 1.0 GB1.6 GB
  • 4-bitвеса 0.5 GB1.1 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.

    # review-artifacts-27/Llama-3.2-1B-Recurrent-Loopy-W4A8-G32
    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 review-artifacts-27/Llama-3.2-1B-Recurrent-Loopy-W4A8-G32 --local-dir ~/models/Llama-3.2-1B-Recurrent-Loopy-W4A8-G32
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Llama-3.2-1B-Recurrent-Loopy-W4A8-G32
  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

Дообучение модели

irafm-llm/Recurrent-Llama-3.2-1B
  1. Llama-3.2-1Bоснова семьи
  2. Recurrent-Llama-3.2-1B
  3. Llama-3.2-1B-Recurrent-Loopy-W4A8-G32

Новые посты про версии Llama-3.2-1B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 7Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

review-artifacts-27/Llama-3.2-1B-Recurrent-Loopy-W4A8-G32
Автор
review-artifacts-27
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