К содержимому
Языковые модели

makellm Japanese 200M 2×

8K final — крошечная японская LLM с контекстом 8K

1 мин чтенияобновлено

Это компактная японская LLM примерно на 238M параметров, обученная с нуля, а не файнтюн Gemma или Qwen. Модель поддерживает контекст до 8192 токенов, распространяется в GGUF и использует архитектуру, совместимую с ядрами qwen3.

Ключевые особенности

  • Обучена с нуля на японском; совместимость с GGUF-ядрами Qwen3 относится к архитектуре, а не к весам Qwen.
  • 238 324 736 параметров (около 238M), 16 слоёв, hidden 1024, 16 attention heads, FFN 2816.
  • Контекст 8192 токена; RoPE с линейной интерполяцией от исходных 512.
  • SentencePiece unigram, словарь 16k; чат-маркеры <|user|>, <|bot|>, <|end|>.
  • F16 — эталон для оценки; Q8_0 новый и без полного бенчмарка; Q4_0 показал просадку.
  • Слабости: знания, вычисления, следование инструкциям и сложные сводки.

Пример

hf download Sido/makellm-ja-spm-200m-2x-8k --local-dir ./makellm-8k
cd makellm-8k
llama-server -m makellm-ja-spm-200m-2x-8k.f16.gguf --host 127.0.0.1 --port 18763 --ctx-size 8192 --parallel 1 --threads 4 --n-gpu-layers 0
python chat.py --message '記録:会議は午前十時から、担当は大橋です。開始時刻と担当を答えてください。'
ПодробнееБенчмарки на 8K: чтение 58/93, полные ответы на несколько вопросов 5/25, синтез/сводка 33/40.
Размеры: F16 ~477 МБ, Q8_0 ~254 МБ, Q4_0 ~135 МБ; пример запуска — на CPU.
Ограничения: только японский, слабые знания, вычисления и следование инструкциям; 8K — это длина контекста, а не гарантия полного понимания.
Лицензия CC BY-SA 4.0.
Обсудить Telegram 0 56

Запустится ли?

Запустится в GGUF F16

Влезает самая точная из готовых сжатых версий.

  • GGUF F16веса 0.4 GB · готовые файлы1.1 GB
  • GGUF Q8_0рекомендуемвеса 0.2 GB · готовые файлы0.9 GB
  • GGUF Q4_0веса 0.1 GB · готовые файлы0.7 GB

Совет: берите 8-bit.GGUF Q8_0 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: GGUF Q8_0 — от RTX 2060 · GGUF F16 — 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.

    # Sido/makellm-ja-spm-200m-2x-8k — A30, GGUF Q8_0
    # 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 -fsSL https://ollama.com/install.sh | sh
    ollama run hf.co/Sido/makellm-ja-spm-200m-2x-8k:Q8_0
    Добавить ещё LoRA к makellm-ja-spm-200m-2x-8k
  3. 3. Пользуйтесь

    Чат откроется прямо в терминале. Выйти — /bye, запустить снова — та же команда ollama run.

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 makellm-ja-spm-200m-2x-8k — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Sido/makellm-ja-spm-200m-2x-8k
Автор
Sido
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

560

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии