К содержимому
Языковые модели

SopuCoder Fast

LoRA-адаптер для кодинга на Apple Silicon

2 мин чтенияобновлено

SopuCoder Fast (v1.1-candidate) — кандидатная версия LoRA-адаптера для код-модели Qwen2.5-Coder-1.5B-Instruct. Адаптер обучен через MLX-LM на Apple M1 с Metal: это позволяет запускать дообученную модель локально на Mac. На выходе вы получаете код-ассистента на базе 4-битной Qwen2.5-Coder-1.5B-Instruct с подключёнными LoRA-весами. В карточке заявлены ускорение инференса и снижение пиковой памяти по сравнению с базой. Пригодится тем, кто работает с локальными LLM на Apple Silicon и хочет быстрее генерировать код.

Ключевые особенности

  • LoRA rank 8, scale 20, dropout 0, обучение на 16 слоях трансформера.
  • Пайплайн на MLX-LM: обучение шло на Apple M1 с Metal, ~395 токенов/с.
  • Заявленная скорость инференса — 60,55–68,71 токена/с на M1 16 ГБ против ~35 у базовой модели.
  • Пиковая память — 1,09 ГБ; контекстное окно — 8192 токена.
  • Язык — английский; это кандидатная версия, а не финальный релиз.

Что можно сделать

  • Подключить адаптер к mlx-community/Qwen2.5-Coder-1.5B-Instruct-4bit и генерировать код в MLX-LM на Mac.
  • Собрать локальную модель в Ollama по Modelfile и тестировать в чате.
  • Сравнить скорость и потребление памяти с базовой Qwen2.5-Coder на своём Apple Silicon.

Пример

pip install mlx-lm
python -m mlx_lm generate \
  --model mlx-community/Qwen2.5-Coder-1.5B-Instruct-4bit \
  --adapter-path training/checkpoints/sopu-coder-mlx-adapters \
  --prompt "Write a React useOptimisticMutation hook."
ПодробнееНа Apple M1 16 ГБ: скорость 60,55–68,71 токена/с, пиковая память 1,09 ГБ, контекст 8192 токена.
Обучение: 60 итераций, loss снизился с 1.560 до 0.118 на train и 0.502 на validation.
Ограничения: кандидатная версия, язык — английский; для запуска нужны MLX-LM или Ollama и Apple Silicon.
Обсудить Telegram 0

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.

    # saif24565/sopu-coder-fast-mlx-adapters
    # ===== 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 saif24565/sopu-coder-fast-mlx-adapters --local-dir ~/models/sopu-coder-fast-mlx-adapters
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к sopu-coder-fast-mlx-adapters
  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 sopu-coder-fast-mlx-adapters — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

saif24565/sopu-coder-fast-mlx-adapters
Автор
saif24565
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии