К содержимому
Языковые модели

Supra2.5-Pro-Instruct

сверхкомпактная LLM на 65M параметров

2 мин чтенияобновлено

Supra2.5-Pro-Instruct — крошечная языковая модель от SupraLabs, дообученная для ведения диалогов и выполнения базовых инструкций. Она основана на базовой версии Supra2.5-Pro-Base, насчитывает всего 65 миллионов параметров (около 0.07B) и работает на английском языке. В отличие от крупных моделей, эта версия ориентирована на максимально лёгкий локальный инференс (запуск модели на устройстве пользователя) и поддерживает стандартный шаблон чата ChatML. Подойдёт разработчикам и энтузиастам для экспериментов со сверхмалыми моделями или запуска на очень слабом железе.

Ключевые особенности

  • Минимальный размер: всего 65M параметров, что позволяет запускать модель локально с минимальными затратами ресурсов.
  • Обучение на синтетике: модель прошла файнтюнинг (дообучение) в течение 2 эпох на почти 9000 синтетических диалогах, сгенерированных DeepSeek V4.1 Flash 1017 с использованием промптов из SmolTalk2.
  • Готовые квантизации: помимо оригинальных весов доступны оптимизированные форматы GGUF (F16, Q8_0 и Q4_K_M) для быстрого запуска через llama.cpp и совместимые клиенты.
  • Без цензуры и выравнивания: авторы отмечают, что модель не проходила safety-alignment (настройку безопасности ответов) или оптимизацию предпочтений.

Что можно сделать

  • Запустить локального чат-бота на слабом ПК: использовать версии GGUF Q4_K_M или Q8_0 для простых повседневных бесед на английском языке без видеокарты.
  • Протестировать базовый код и математику: использовать модель как сверхбыстрый черновик для элементарных задач программирования и простых вычислений, указанных в её возможностях.
  • Встроить в собственный пайплайн: использовать модель как лёгкий компонент с шаблоном ChatML, предварительно добавив внешний фильтр безопасности перед показом ответов пользователям.

Пример

Диалог из карточки модели демонстрирует её стиль общения и склонность к галлюцинациям в фактах при малом размере:
User: How are you?
Supra: I'm running well, thanks for asking! As a compact language model, I don't have feelings or memory across separate chats. What can I help you with today?

ПодробнееПараметры: 65M (0.07B), язык — английский.
Обучение: 2 эпохи на ~9000 диалогах от DeepSeek V4.1 Flash 1017 (база промптов SmolTalk2).
Форматы и запуск: совместима с transformers и шаблоном ChatML, доступны GGUF-версии F16, Q8_0 и Q4_K_M.
Ограничения: отсутствует safety-alignment, из-за малого размера модель допускает фактические ошибки (например, в биографии Эйнштейна в примерах карточки).
Обсудить Telegram 19 864

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.2 GB · готовые файлы1.1 GB
  • GGUF F16веса 0.1 GB · готовые файлы1.0 GB
  • BF16веса 0.1 GB1.0 GB
  • GGUF Q8_0рекомендуемвеса 0.1 GB · готовые файлы0.9 GB
  • FP8 / INT8веса 0.1 GB0.9 GB
  • GGUF Q4_K_Mвеса 0.1 GB · готовые файлы0.9 GB
  • 4-bitвеса 0.0 GB0.9 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 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Для текстовых моделей — с контекстом 8192 токенов.

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.

    # SupraLabs/Supra2.5-Pro-Instruct — 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/SupraLabs/Supra2.5-Pro-Instruct:Q8_0
    Добавить ещё LoRA к Supra2.5-Pro-Instruct
  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 Supra2.5-Pro-Instruct — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

SupraLabs/Supra2.5-Pro-Instruct
Автор
SupraLabs
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

86419

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

Qwen3-8B-heretic

Qwen3-8B-heretic