К содержимому
Языковые модели

Alexandria-Research-Preview-150m

компактная модель автодополнения кода с кэшированием чанков

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.
Обсудить Telegram 1 22

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.5 GB · готовые файлы1.2 GB
  • BF16веса 0.3 GB0.9 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.7 GB
  • 4-bitвеса 0.1 GB0.7 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

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.

    # 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
    Добавить ещё LoRA к Alexandria-Research-Preview-150m
  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

Новые посты про версии Alexandria-Research-Preview-150m — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

zoeissleeping/Alexandria-Research-Preview-150m
Автор
zoeissleeping
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

221

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Изображения

Axon Image 2

Axon Image 2