компактная модель автодополнения кода с кэшированием чанков
schedule 2 мин чтенияобновлено
Исследовательский прототип модели на 142M параметров для автодополнения кода на Python и JavaScript/TypeScript в стиле Supermaven, созданный с нуля автором zoeissleeping. В отличие от привычных авторегрессионных LLM, модель разбивает код на чанки (фрагменты) по 128–512 токенов и пропускает их через независимый энкодер, что позволяет кэшировать состояния неизменённых участков и пересчитывать только отредактированный фрагмент. Это ранняя исследовательская версия: она демонстрирует архитектуру для локального автодополнения, но пока не готова к полноценной работе в редакторе кода без доработки постобработки. Будет интересна разработчикам AI-инструментов для IDE и исследователям нестандартных компактных архитектур.
Ключевые особенности
Кастомная архитектура (142.3M параметров): 7 слоёв энкодера и 7 слоёв декодера, внимание с QK-norm, ReLU² MLP и общий словарь на 32 768 токенов, где символ переноса строки включает последующие отступы.
Инкрементальное кэширование: благодаря разбиению кода на чанки при правке файла нужно пересчитать только изменённый блок, а декодер видит контекст до курсора и фрагменты после него.
Обучение с нуля на 11.28B токенов: корпус собран из репозиториев GitHub и StarCoderData (54% JS/TS, 42% Python, 6% HTML+CSS), причём в открытом манифесте зафиксирован каждый включённый и отброшенный файл.
Известные ограничения превью: модель не умеет сама останавливать генерацию (вывод нужно обрезать по первой строке), плохо реагирует на пробел в конце префикса без token healing и не поддерживает чат.
Что можно сделать
Изучить однофайловую реализацию model.py и протестировать механизм кэширования чанков на длинном контексте до 65 536 токенов.
Поэкспериментировать с доработкой инференса: добавить обрезку по концу строки и token healing для корректной работы при вводе пробелов.
Использовать открытый датасет-манифест для воспроизведения фильтрации кодового корпуса на базе Stack-Edu и StarCoderData.
Пример
import torch
from tokenizers import Tokenizer
from huggingface_hub import snapshot_download
directory = snapshot_download("zoeissleeping/Alexandria-Research-Preview-150m")
import sys; sys.path.insert(0, directory)
from model import Alexandria, complete
tokenizer = Tokenizer.from_file(f"{directory}/tokenizer.json")
model = Alexandria.from_pretrained(directory, device="cuda" if torch.cuda.is_available() else "cpu")
prefix = "def debounce(fn, wait):\n "
text = complete(model, tokenizer, prefix, path="utils.py", max_chars=200)
print(text.split("\n")[0])
ПодробнееБенчмарк Lacuna (dev, 227 кейсов): 15.4% точного совпадения первой строки в режиме prefix-only (против 10.6% у Qwen2.5-Coder-0.5B в том же режиме). Lacuna Lite: 100% на скобках и копировании, 72.5% на идиомах, 70.8% на семантике и 22.5% на кросс-файловом контексте. Технические детали: модель не поддерживается библиотекой transformers и запускается через встроенный model.py; веса хранятся в fp32 (на GPU активации идут в bf16), лицензия — OpenMDW-1.0.
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.
# zoeissleeping/Alexandria-Research-Preview-150m — 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 zoeissleeping/Alexandria-Research-Preview-150m --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