карманная GPT-модель с нуля для запуска прямо в браузере
schedule 3 мин чтенияобновлено
brasa-12m — сверхкомпактная языковая модель формата GPT на 12,2 миллиона параметров от автора Yanzino6, написанная и обученная полностью с нуля на PyTorch без использования готовых весов и сторонних библиотек. Она решает узкую задачу: отвечает на вопросы об одном конкретном человеке на португальском или английском языках, опираясь на небольшую базу знаний. Главная фишка — весь пайплайн, включая BPE-токенизатор (разбивку текста на фрагменты), гибридный поиск фактов и движок инференса на WebAssembly, создан вручную, поэтому модель весит копейки и работает локально в браузере. Пригодится разработчикам и энтузиастам как эталонный пример компактного RAG-решения (генерации с опорой на поиск) для встраивания в веб-страницы.
Ключевые особенности
Полностью с нуля: трансформер (6 слоёв, 384 размерность, SwiGLU, RoPE), байтовый BPE-токенизатор на 4096 токенов и цикл обучения написаны автором самостоятельно без предобученных чекпоинтов.
Встроенный гибридный поиск: модель одновременно генерирует ответы и обучена с помощью contrastive loss (контрастивного обучения) ранжировать факты, объединяя классический поиск BM25 со своими эмбеддингами.
Браузерный движок без зависимостей: квантованная в int8 версия (web/model.i8.bin) занимает всего 12,3 МБ и запускается в клиенте через WebAssembly SIMD с откатом на обычный JavaScript.
Защита от выдумок: поддерживает режим constrained decoding (ограниченной генерации), при котором модель использует только найденные в базе факты и вежливо отказывается отвечать на вопросы вне темы.
Что можно сделать
Встроить локального ассистента на сайт: использовать готовый JS/WASM-клиент и бандл model.i8.bin, чтобы запускать вопрос-ответного бота по портфолио или резюме прямо на стороне посетителя без сервера.
Изучить архитектуру LLM и RAG на практике: разобрать компактный код на PyTorch как учебный шаблон того, как объединить генеративную модель и dense-ретривер в одной нейросети.
Адаптировать под свою мини-базу знаний: переобучить пайплайн на собственном наборе фактов, когда нужен быстрый и полностью контролируемый справочник с минимальным потреблением памяти.
Пример
from huggingface_hub import snapshot_download
from safetensors.torch import load_file
from brasa.model import GPT
from brasa.sample import answer
folder = snapshot_download("Yanzino6/brasa-12m")
out = answer(model, tok, retriever, "Onde o Yan estuda?", prompt_cfg, constrain="retrieved")
print(out["answer"])
ПодробнееКачество RAG: в режиме по умолчанию (open-book + ranking prior) на отложенном тесте (1210 вопросов) модель показывает 48.7% EM (точное совпадение), 62.9% F1 и 0.0% выдуманных чисел; нужный факт попадает в топ-4 поиска в 77.7% случаев. Вес файлов: 48.8 МБ (float32), 24.4 МБ (float16) и 12.4 МБ (int8 для браузера); длина контекста — 384 токена. Обучение: сначала предобучение на 246 млн токенов из португальской и английской Википедии (55 минут на ноутбуке, перплексия 20.4), затем 6000 шагов на корпусе вопросов (81 минута на MPS). Ограничения: модель намеренно узкая — она не является универсальным ассистентом и не знает ничего за пределами своей базы знаний. Лицензия: MIT.
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.
# Yanzino6/brasa-12m — 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 Yanzino6/brasa-12m --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