К содержимому
Языковые модели

Mochi-Novel-300M

компактная LLM для генерации историй, написанная с нуля на PyTorch

2 мин чтенияобновлено

Mochi-Novel-300M — это языковая модель на 295,1 миллиона параметров, созданная и обученная полностью с нуля на чистом PyTorch без использования кода из библиотеки transformers. Модель от автора Shashank1227 специализируется на генерации художественных текстов и многосценовых историй на английском языке. В основе лежит современная трансформерная архитектура с RoPE (метод кодирования позиций токенов), RMSNorm, SwiGLU и поддержкой KV-кэширования для ускорения генерации. В отличие от универсальных ассистентов, она заточена под сохранение голоса персонажей, напряжённость диалогов и работу в разных литературных жанрах. Подойдёт разработчикам, энтузиастам локальных моделей и авторам, которым нужен лёгкий генератор идей и сцен на английском языке.

Ключевые особенности

  • Два специализированных режима: в состав входят два чекпоинта — Golden Novel Engine для драматической литературы и Universal Multi-Genre Engine, обученный более чем на 20 жанрах (научная фантастика, киберпанк, готика, нуар, фэнтези, хоррор, вестерн).
  • Чистый PyTorch без лишних зависимостей: архитектура (24 слоя, 16 голов внимания, собственный токенизатор SentencePiece BPE на 16 384 токена) реализована самостоятельно с нуля.
  • Защита от зацикливания: при генерации применяется строгая блокировка повторов 4-грамм и штраф за повторения (Repetition Penalty 1.15).
  • Разделение сеттингов: по заявлению автора, универсальный движок демонстрирует 90% защиты от смешивания концепций между несвязанными вселенными.

Что можно сделать

  • Писать черновики сцен на английском: использовать Golden Novel Engine для проработки диалогов и развития сюжета в драматических произведениях.
  • Генерировать завязки в разных жанрах: переключаться на Universal Multi-Genre Engine для создания историй в сеттингах киберпанка, фэнтези, нуара или хоррора.
  • Изучать устройство современных LLM: использовать открытый исходный код проекта как наглядный пример реализации RoPE, SwiGLU и KV-кэша на чистом PyTorch.

Пример

git clone [https://github.com/shashankswaroop789-eng/mochi-88m.git](https://github.com/shashankswaroop789-eng/mochi-88m.git)
cd mochi-88m
python download_weights.py
python story_studio_gui.py
ПодробнееПараметры: 295 084 032 (24 блока, размерность эмбеддингов 1024, окно контекста 1536 токенов).
Скорость работы: около 44,5 токенов/сек на видеокарте NVIDIA RTX 3060.
Язык: только английский (en), лицензия MIT.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.4 GB · готовые файлы2.2 GB
  • FP8 / INT8рекомендуемвеса 0.7 GB1.4 GB
  • 4-bitвеса 0.4 GB1.0 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

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте A30

    $0.26 в час с купоном. При создании машины выберите образ Ubuntu.

    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.

    # Shashank1227/moochi-300m — 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 Shashank1227/moochi-300m --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к moochi-300m
  3. 3. Пользуйтесь

    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.

  • 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 moochi-300m — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Shashank1227/moochi-300m
Автор
Shashank1227
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

Языковые модели

zils-lite-a14

zils-lite-a14
Языковые модели

WVY-3D-23m

WVY-3D-23m