К содержимому
Другое

Alcyone-W

нейросеть на стыке физики частиц, топологии и Lean 4

3 мин чтения

Исследователь Teerth Sharma представил экспериментальную модель Alcyone-W — первую архитектуру семейства JEPA (Joint-Embedding Predictive Architecture — нейросети, предсказывающие скрытую часть входных данных), которая восстанавливает не абстрактные эмбеддинги, а точную топологию скрытого участка. Модель работает с данными столкновений частиц детектора CMS (CERN Open Data): она превращает импульсы частиц в ландшафт на сетке 32×64, скрывает его фрагмент и предсказывает количество «озёр» энергии, их устойчивость и объём. Система объединяет обучаемый свёрточный энкодер W-JEPA на 5,9 млн параметров и замороженную научную языковую модель facebook/galactica-6.7b (6,66 млрд параметров), которая преобразует текстовые описания частиц в дополнительные каналы рельефа. В отличие от классических JEPA, целевые метрики здесь вычисляются строго математически по алгоритмам, формально доказанным в системе верификации Lean 4. Разработка пригодится исследователям в области физического ML, топологического анализа данных и нейросимвольного ИИ.

Ключевые особенности

  • Топологические таргеты без коллапса обучения: модель предсказывает число бассейнов (basins), их персистентность (persistence) и объём энергии (water), которые вычисляются точным гидравлическим алгоритмом без участия нестабильной сети-учителя.
  • Гибрид зрения, языка и формальной логики: замороженная Galactica-6.7B кодирует текстовые описания частиц (например, мюонов и струй) через PCA в 8 каналов рельефа, а 1 818 лемм в Lean 4 и Haskell гарантируют корректность расчётов.
  • Встроенный агент с проверкой чисел: в репозиторий включён рантайм для Galactica с 4 инструментами (watershed, charge, describe, calc), который принуждает модель вызывать инструменты и помечает любые числа, не подтверждённые кодом.
  • Честная отчётность об ограничениях: автор опубликовал все заранее заданные критерии проверки — например, указал, что обычный MLP по кинематике всё ещё точнее на задачах множественности струй, а канал заряда в текущей версии отсутствует.

Что можно сделать

  • Воспроизвести эксперименты на данных БАК: запустить готовый скрипт на прилагаемом сэмпле из 512 тестовых событий CMS NanoAOD и сравнить предсказания топологии с точным расчётом.
  • Изучить формально верифицированный ML: использовать библиотеку WatershedLemmas на Lean 4 и зеркала на Haskell с тестами QuickCheck как образец интеграции доказательств теорем в пайплайн машинного обучения.
  • Потестировать нейросимвольного агента: задавать вопросы о свойствах событий столкновений через agent.py, где вычисления опираются на закон Гаусса и гидравлические леммы вместо галлюцинаций LLM.

Пример

import sys; sys.path.insert(0, "code")
from alcyone import WatershedJEPA, exact_summary, window_mask

m = WatershedJEPA(".", galactica="facebook/galactica-6.7b")
z = m.encode(x) # x: (N, 15, 8) [pT, eta, phi, mass, charge, type, btag, valid]
win = window_mask(12, 24, len(x))
pred = m.predict_summary(x, win)
true = exact_summary(x, win)
Подробнее Точность определения числа бассейнов на 512 событиях CMS: 0.945 (против 0.572 при выборе самого частого класса) и 0.936 на 4 096 валидационных окнах.
Обучено на 2,24 млн событий CMS Open Data (38 155 шагов); веса Galactica-6.7B (CC BY-NC 4.0) в репозиторий не включены и подгружаются отдельно.
Ограничения: модель заточена строго под формат CMS NanoAOD, частично «подглядывает» через края скрытого окна и не учитывает электрический заряд частиц в рельефе.
Обсудить Telegram 1

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.0 GB · готовые файлы0.5 GB
  • BF16веса 0.0 GB0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 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 · F32 — 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

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    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.

    # teerthsharma/Alcyone-W
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download teerthsharma/Alcyone-W --local-dir ~/models/Alcyone-W
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Alcyone-W
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

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.

Семья модели

Дообучение модели

facebook/galactica-6.7b

Новые посты про версии galactica-6.7b — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 4Все на Hugging Face

О модели

teerthsharma/Alcyone-W
Автор
teerthsharma
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии