К содержимому
Языковые модели

Granite 3.0 8B Instruct Tensix BF16 Folded

сборка для чипов Tenstorrent

2 мин чтенияобновлено

Это адаптация языковой модели IBM Granite 3.0 8B Instruct (8,17 млрд параметров) от Xylolabs, подготовленная для запуска на ИИ-ускорителях Tenstorrent Tensix через библиотеку TT-NN. Авторы заранее «вшили» множитель остаточных связей (residual_multiplier, равный 0.22) прямо в веса выходных проекций внимания и MLP-слоёв. За счёт этого при инференсе не нужно выполнять лишнее умножение на лету, а в конфигурации параметр приведён к единице. Вся модель осталась в формате BF16 с сохранением оригинального токенизатора и чат-шаблона. Пригодится разработчикам, запускающим LLM на железе и симуляторах Tenstorrent (включая Blackhole).

Ключевые особенности

  • Свёртка весов (residual folding): 80 матриц проекций внимания и MLP умножены на 0.22 в float32 и округлены обратно в BF16, остальные 282 тензора остались побайтово идентичными оригиналу.
  • Совместимость с TT-NN: все 362 тензора проверены упаковкой на хосте через TT-NN 0.81.1, а также прошли проверку передачи через DRAM на симуляторе Blackhole.
  • Минимальное отклонение от базы: среднее расхождение KL-дивергенции относительно оригинальной BF16-версии составило всего 0.000833 (примерно в 71 раз меньше, чем у квантования Q4_K_M).

Что можно сделать

  • Загружать веса в пайплайны на базе ttnn для инференса на ускорителях Tenstorrent без ручной модификации графа под нестандартный residual_multiplier.
  • Использовать чекпоинт как эталонную BF16-модель при отладке, профилировании памяти и тестировании раннеров на симуляторе Tenstorrent Blackhole.
  • Запускать локально через стандартный transformers на PyTorch для генерации текста и диалогов на английском и корейском языках.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "Xylolabs/granite-3.0-8b-instruct-Tensix-BF16-Folded"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, dtype="bfloat16", device_map="auto")
messages = [{"role": "user", "content": "What is the capital of France? Reply with the city name only."}]
inputs = tok.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt", return_dict=True).to(model.device)
out = model.generate(**inputs, max_new_tokens=64, do_sample=False)
ПодробнееБенчмарк (33 обычных промпта): 24 правильных ответа против 25 у оригинальной BF16 и 23 у Q4_K_M.
Требования к памяти: около 16,34 ГБ VRAM только под веса модели, плюс место под KV-кэш и буферы.
Ограничения: совместимость с tt-transformers и tt-forge для этого чекпоинта не проверялась; скорость генерации не замерялась.
Лицензия: Apache 2.0.
Обсудить Telegram 0 24

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 15 GB · готовые файлы17 GB
  • FP8 / INT8рекомендуемвеса 7.6 GB9.5 GB
  • 4-bitвеса 4.3 GB6.1 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 3080 · BF16 — от RTX 4090

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.

    # Xylolabs/granite-3.0-8b-instruct-Tensix-BF16-Folded — 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 Xylolabs/granite-3.0-8b-instruct-Tensix-BF16-Folded --max-model-len 8192 --quantization fp8
  3. 3. Пользуйтесь

    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.

  • 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

Дообучение модели

ibm-granite/granite-3.0-8b-instruct
  1. granite-3.0-8b-baseоснова семьи
  2. granite-3.0-8b-instruct
  3. granite-3.0-8b-instruct-Tensix-BF16-Folded

Новые посты про версии granite-3.0-8b-base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 6Все на Hugging Face
Дообучения 2Все на Hugging Face
LoRA и адаптеры 3Все на Hugging Face

О модели

Xylolabs/granite-3.0-8b-instruct-Tensix-BF16-Folded
Автор
Xylolabs
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

240

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии