Модель читает и пишет напрямую сырые UTF-8 байты текста без использования токенизатора (программы для разбиения текста на куски), где каждый шаг равен одному байту. Архитектура создана для экспериментального сравнения с моделями на базе BPE (Byte-Pair Encoding, метода сжатия словарных пар) и H-Net при одинаковых вычислительных затратах. Она имеет 85.2M параметров, 12 слоев Transformer с контекстом в 8192 байта и обучена на части датасета FineWeb-Edu. Подойдет исследователям и разработчикам, изучающим альтернативные подходы к токенизации в языковых моделях.
Ключевые особенности
Без токенизатора: обрабатывает текст на уровне отдельных UTF-8 байтов.
Архитектура: 12-слойный Transformer с шириной 768 и 85.2M параметров.
Обучение: использовались RMSNorm, rotary position embeddings и SwiGLU.
Сравнение: выступает базовой линией в исследовании трех разных подходов к токенизации.
Что можно сделать
Запустить генерацию текста на сырых байтах с помощью скрипта из репозитория.
Сравнить эффективность модели с BPE-подходом на собственных текстовых датасетах.
Использовать код для изучения работы языковых моделей без традиционной токенизации.
Пример
import json, sys, torch
from huggingface_hub import snapshot_download
from safetensors.torch import load_file
path = snapshot_download("ShadeEngine/bytegpt-byte-85M")
sys.path.insert(0, path)
from model import ByteGPT, GPTConfig
meta = json.load(open(f"{path}/config.json"))
weights = load_file(f"{path}/model.safetensors")
for alias, source in meta["tied_weights"].items():
weights[alias] = weights[source]
model = ByteGPT(GPTConfig(**meta["config"]))
model.load_state_dict(weights)
model.eval().cuda()
prompt = bytes([254]) + "The French Revolution began in".encode("utf-8")
ids = torch.tensor(list(prompt), device="cuda")[None]
with torch.autocast("cuda", dtype=torch.bfloat16):
out = model.generate(ids, max_new_bytes=200, temperature=0.8, top_k=50)
print(bytes(out[0, 1:].tolist()).decode("utf-8", errors="replace"))
ПодробнееFineWeb-Edu validation: 1.036 bits per byte Python code: 1.329 bits per byte HellaSwag accuracy: 35.7% Железо: обучение заняло около суток на двух RTX 3090 Ограничение: небольшая исследовательская модель, выдает часто фактические ошибки
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.
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.
# ShadeEngine/bytegpt-byte-85M — A30, FP8 / INT8
# Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
. /etc/os-release && \
curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
sudo apt-get update && \
sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
{ echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
exit 0
fi
curl -LsSf https://astral.sh/uv/install.sh | sh
source "$HOME/.local/bin/env"
uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
uv pip install vllm
vllm serve ShadeEngine/bytegpt-byte-85M --max-model-len 8192 --quantization fp8
Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.
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.
Комментарии