компактный рекуррентный трансформер под Apple MLX с рассуждениями
schedule 2 мин чтенияобновлено
Компактная языковая модель от автора Suvir-Misra на 485.1 млн параметров, созданная нативно под фреймворк Apple MLX и дообученная на законодательстве и судебной практике Индии. Вместо стандартной линейной архитектуры здесь используется рекуррентная глубина (Looped Transformer): 8 физических слоёв прогоняют скрытое состояние по кругу 3 раза, что даёт виртуальную глубину в 24 слоя при весе всего около 1.8 ГБ в FP16. Перед ответом модель генерирует пошаговые рассуждения в тегах ... по методу Chain-of-Draft, сверяя нормы законов и исключения. Подойдёт разработчикам на Mac для локальных edge-помощников, RAG-систем и экспериментов с рекуррентными архитектурами.
Ключевые особенности
Рекуррентная глубина: 8 физических слоёв повторяются 3 раза за один прямой проход (виртуальные 24 слоя) с общими весами.
Защита от затухания сигнала: на каждой итерации цикла заново подмешиваются эмбеддинги входных токенов, используются эмбеддинги номера шага (0, 1, 2) и четыре слоя нормализации RMSNorm на блок.
Рассуждения Chain-of-Draft: 100% обучающих примеров размечены пошаговыми черновиками внутри для проверки статей и расчётов до финального ответа.
Многоэтапное обучение: SFT на 9,579 парах IndicLegalQA и кодексах Индии, выравнивание ORPO против выдуманных ссылок на дела и слияние чекпоинтов методом TIES.
Что можно сделать
Развернуть локального юридического ассистента на Mac через Apple MLX для проверки пороговых значений и норм индийского права (BNS 2023, CPC 1908, Income-tax Act, CGST).
Подключить модель как лёгкий reasoning-модуль в RAG-пайплайны (генерация с опорой на внешние документы) для анализа договоров и нормативных актов.
Использовать код и веса как референс для изучения рекуррентных трансформеров и компактных рассуждающих SLM на устройствах Apple Silicon.
Пример
import mlx.core as mx
from generate import load_model, generate
model, tok, cfg = load_model(".")
prompt = "What does the fundamental criminal law maxim 'Actus non facit reum nisi mens sit rea' mean?"
response = generate(model, tok, cfg, prompt, max_new=220, temp=0.2)
print(response)
ПодробнееБенчмарк Indian Legal & Procedural Benchmark Suite: 16 из 16 пройденных тестов (100%), в 100% случаев модель корректно открыла и закрыла тег рассуждений . Параметры и память: 485.1M параметров (~1.8 ГБ весов в FP16), окно контекста — 4,096 токенов, запуск через Apple MLX. Ограничения: из-за компактного размера (485M) модель не предназначена для автономных юридических консультаций без проверки человеком или опоры на документы через RAG.
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.
# Suvir-Misra/Looped-Transformer-485M-Indian-Law-Thinking — 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 Suvir-Misra/Looped-Transformer-485M-Indian-Law-Thinking --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