Text Generation
Transformers
Safetensors
Russian
English
ppai
pacperlar
mixture-of-experts
russian
code
small-language-model
custom_code
Instructions to use AdminHugging/PP-Hydrogen with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- Transformers
How to use AdminHugging/PP-Hydrogen with Transformers:
# Use a pipeline as a high-level helper from transformers import pipeline pipe = pipeline("text-generation", model="AdminHugging/PP-Hydrogen", trust_remote_code=True)# pip install -U transformers accelerate # Load model directly from transformers import AutoModelForCausalLM model = AutoModelForCausalLM.from_pretrained("AdminHugging/PP-Hydrogen", trust_remote_code=True, device_map="auto") - Notebooks
- Google Colab
- Kaggle
- Local Apps Settings
- vLLM
How to use AdminHugging/PP-Hydrogen with vLLM:
Install from pip and serve model
# Install vLLM from pip: pip install vllm # Start the vLLM server: vllm serve "AdminHugging/PP-Hydrogen" # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:8000/v1/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "AdminHugging/PP-Hydrogen", "prompt": "Once upon a time,", "max_tokens": 512, "temperature": 0.5 }'Use Docker
docker model run hf.co/AdminHugging/PP-Hydrogen
- SGLang
How to use AdminHugging/PP-Hydrogen with SGLang:
Install from pip and serve model
# Install SGLang from pip: pip install sglang # Start the SGLang server: python3 -m sglang.launch_server \ --model-path "AdminHugging/PP-Hydrogen" \ --host 0.0.0.0 \ --port 30000 # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:30000/v1/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "AdminHugging/PP-Hydrogen", "prompt": "Once upon a time,", "max_tokens": 512, "temperature": 0.5 }'Use Docker images
docker run --gpus all \ --shm-size 32g \ -p 30000:30000 \ -v ~/.cache/huggingface:/root/.cache/huggingface \ --env "HF_TOKEN=<secret>" \ --ipc=host \ lmsysorg/sglang:latest \ python3 -m sglang.launch_server \ --model-path "AdminHugging/PP-Hydrogen" \ --host 0.0.0.0 \ --port 30000 # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:30000/v1/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "AdminHugging/PP-Hydrogen", "prompt": "Once upon a time,", "max_tokens": 512, "temperature": 0.5 }' - Docker Model Runner
How to use AdminHugging/PP-Hydrogen with Docker Model Runner:
docker model run hf.co/AdminHugging/PP-Hydrogen
|
Download README.md from AdminHugging/PP-Hydrogen: direct link, hf CLI and curl.
- Browser
- Download file 5.36 kB
-
https://huggingface.co/AdminHugging/PP-Hydrogen/resolve/main/README.md
- Command line
-
hf download hf://AdminHugging/PP-Hydrogen/README.md
-
curl -L -o README.md https://huggingface.co/AdminHugging/PP-Hydrogen/resolve/main/README.md
5.36 kB
| language: | |
| - ru | |
| - en | |
| license: apache-2.0 | |
| tags: | |
| - ppai | |
| - pacperlar | |
| - mixture-of-experts | |
| - russian | |
| - code | |
| - small-language-model | |
| library_name: transformers | |
| # PP-H — PacPerlar-Hydrogen (PPAI) | |
| Собственная модель проекта **PPAI**, обученная с нуля. Название по таблице | |
| Менделеева: Hydrogen — самый маленький элемент, PP-H — самая маленькая модель | |
| линейки. Дальше по плану PP-He, PP-Li и так далее. | |
| Модель **base** (не instruct): продолжает текст, на вопросы не отвечает. | |
| ## Архитектура | |
| Собственная архитектура PPAI, спроектированная под 100M параметров и 12.4M активных на токен. | |
| | параметр | значение | | |
| |---|---| | |
| | всего параметров | **99.98M** | | |
| | активных на токен | **12.4M** | | |
| | слоёв | 10 | | |
| | эксперты | 20 роутед (top-1) + shared в каждом слое | | |
| | d_model | 192 | | |
| | головы | 6 / 2 KV, head_dim 32 | | |
| | FFN эксперта | 800 | | |
| | окно контекста | 1024 | | |
| | словарь | 24 576 | | |
| Особенности: n-gram хэш-эмбеддинги на входе (окна 2/3/4 токена), | |
| value-residual из нулевого слоя, per-head гейт на выходе внимания, | |
| qk-norm, RoPE, logit softcap. | |
| ## Токенизатор | |
| Свой BPE на 24 576, обучен на 40M символов русского, английского и Python. | |
| | язык | символов на токен | | |
| |---|---| | |
| | русский | **4.29** | | |
| | английский | **4.29** | | |
| | python | **3.33** | | |
| Для сравнения: обычный байтовый BPE без кириллицы даёт на русском ~0.82 токена на символ. | |
| ## Обучение | |
| | | | | |
| |---|---| | |
| | токенов | **500M** (прогон продолжается до 1.5B) | | |
| | шагов | 13 563 | | |
| | loss | 10.1 → **2.736** (минимум 2.24) | | |
| | скорость | 26 433 ток/с | | |
| | GPU | 1× Tesla T4, fp16 | | |
| | время | 5.7 ч | | |
| | lr | 6e-4, cosine, warmup 500 | | |
| | батч | 12 × 3 × 1024 = 36 864 ток./шаг | | |
| | микс | Python 34%, русский 40%, английский 20%, математика 0%, C#/Rust 6% | | |
| ## Что модель умеет и чего не умеет | |
| Честно: она выучила **форму** языка и кода, но не смысл. Реальные сэмплы | |
| (температура 0.8): | |
| ``` | |
| Русский язык — это Турба́м, также — индийский язык (АПК — значит «ж». | |
| — «календарное слово»), развивающаяся в соответствии с этим языковым | |
| содержанием. | |
| ``` | |
| ```python | |
| def quicksort(arr): | |
| """ | |
| Utility | |
| --------- | |
| For more details about the code in the __doc__ function, see | |
| https://docs.djangoproject.com/en/1.7/ref/settings/ | |
| ``` | |
| То есть: настоящие русские слова с согласованием, синтаксически верный | |
| английский, узнаваемая структура Python (докстринги, отступы, ссылки) — но | |
| содержание бессвязное. `quicksort` она не знает. | |
| Это ожидаемо для 100M модели на 500M токенов: GPT-2 small (124M) понадобилось | |
| ~40 млрд токенов, чтобы начать связно говорить. | |
| ## Использование | |
| ```python | |
| import torch | |
| from transformers import AutoModelForCausalLM, AutoTokenizer | |
| repo = "AdminHugging/PP-Hydrogen" | |
| tok = AutoTokenizer.from_pretrained(repo, trust_remote_code=True) | |
| model = AutoModelForCausalLM.from_pretrained( | |
| repo, trust_remote_code=True, torch_dtype=torch.float32 | |
| ).eval() | |
| ids = tok("Русский язык — это", return_tensors="pt").input_ids | |
| out = model.generate(ids, max_new_tokens=40, do_sample=True, | |
| temperature=0.8, top_p=0.9) | |
| print(tok.decode(out[0], skip_special_tokens=True)) | |
| ``` | |
| Нужен `trust_remote_code=True` — архитектура `ppai` не входит в transformers. | |
| **llama.cpp не поддерживается**: архитектуры `ppai` нет среди GGUF-архитектур, | |
| плюс n-gram хэш-эмбеддинги требуют отдельного оператора на C++. | |
| Для локального запуска есть веб-интерфейс на transformers. | |
| ## Файлы | |
| | файл | что это | | |
| |---|---| | |
| | `model.safetensors` | веса fp32, 400 МБ | | |
| | `ckpt/last.pt` | полный чекпоинт с оптимизатором, 1.2 ГБ | | |
| | `ckpt/weights_bf16.pt` | веса bf16, 200 МБ | | |
| | `logs/metrics.csv` | кривая обучения | | |
| | `tokenizer.json` | словарь 24 576 | | |
| | `modeling_ppai.py` | код архитектуры | | |
| ## Дальше | |
| * продолжение обучения до 1.5B токенов; | |
| * SFT на парах «задача → Python-функция», чтобы писала код по просьбе; | |
| * следующая модель линейки — PP-He. | |