экспериментальная гибридная языковая модель с поиском
schedule 2 мин чтенияобновлено
Momentum-121M — это небольшая исследовательская языковая модель на 121M параметров (65M активных на токен), построенная на необычной гибридной архитектуре. В ней рекуррентные слои Gated DeltaNet (управляют состоянием), слои сжатого внимания MLA (Multi-head Latent Attention для точного поиска) и разреженная смесь экспертов MoE (Sparse mixture-of-experts) объединены вместе. Модель обучена с нуля на FineWeb-Edu и прошла этап дообучения (SFT) для работы в небольшом чат-формате и вызова инструмента web_search(query) с цитированием источников. Она предназначена для экспериментов и исследований, а не как универсальный ассистент.
Поддержка инструментов: Умеет вызывать функцию web_search(query) и отвечать с цитатами вида [n].
Обучение с нуля: Прошла претренировку на 1000M токенов FineWeb-Edu, длинноконтекстный вармап и этап SFT.
Компактность: Всего 121 миллион параметров для локальных запусков и изучения новых архитектур.
Что можно сделать
Тестирование архитектуры: Запустить модель локально с помощью кастомного кода и изучить работу гибридных слоев Gated DeltaNet и MLA.
Интеграция поиска: Протестировать работу модели с внешним поисковым движком и генерацией цитат на основе переданных фрагментов текста.
Пример
import json, torch
from safetensors.torch import load_file
from transformers import AutoTokenizer
from momentum import Cfg, MomentumLM
cfg = Cfg(**json.load(open("config.json")))
model = MomentumLM(cfg); model.load_state_dict(load_file("model.safetensors")); model.eval()
tok = AutoTokenizer.from_pretrained("gpt2")
ПодробнееПараметры: 121M (65M активных) Токенизатор: GPT-2 BPE (vocab 50257) Ограничения: Только английский язык, отсутствие настройки безопасности и контекст до 1024 токенов Лицензия: Код Apache-2.0, веса — other (исследовательское использование)
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.
# Sm0r3s/Momentum-121M — 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 Sm0r3s/Momentum-121M --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