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
model card: архитектура, обучение, честные ограничения
Browse files
README.md
ADDED
|
@@ -0,0 +1,136 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
---
|
| 2 |
+
language:
|
| 3 |
+
- ru
|
| 4 |
+
- en
|
| 5 |
+
license: apache-2.0
|
| 6 |
+
tags:
|
| 7 |
+
- ppai
|
| 8 |
+
- pacperlar
|
| 9 |
+
- mixture-of-experts
|
| 10 |
+
- russian
|
| 11 |
+
- code
|
| 12 |
+
- small-language-model
|
| 13 |
+
library_name: transformers
|
| 14 |
+
---
|
| 15 |
+
|
| 16 |
+
# PP-H — PacPerlar-Hydrogen (PPAI)
|
| 17 |
+
|
| 18 |
+
Собственная модель проекта **PPAI**, обученная с нуля. Название по таблице
|
| 19 |
+
Менделеева: Hydrogen — самый маленький элемент, PP-H — самая маленькая модель
|
| 20 |
+
линейки. Дальше по плану PP-He, PP-Li и так далее.
|
| 21 |
+
|
| 22 |
+
Модель **base** (не instruct): продолжает текст, на вопросы не отвечает.
|
| 23 |
+
|
| 24 |
+
## Архитектура
|
| 25 |
+
|
| 26 |
+
Развитие идей Aurora2 (Apache-2.0), пересчитанное под 100M параметров.
|
| 27 |
+
|
| 28 |
+
| параметр | значение |
|
| 29 |
+
|---|---|
|
| 30 |
+
| всего параметров | **99.98M** |
|
| 31 |
+
| активных на токен | **12.4M** |
|
| 32 |
+
| слоёв | 10 |
|
| 33 |
+
| эксперты | 20 роутед (top-1) + shared в каждом слое |
|
| 34 |
+
| d_model | 192 |
|
| 35 |
+
| головы | 6 / 2 KV, head_dim 32 |
|
| 36 |
+
| FFN эксперта | 800 |
|
| 37 |
+
| окно контекста | 1024 |
|
| 38 |
+
| словарь | 24 576 |
|
| 39 |
+
|
| 40 |
+
Особенности: n-gram хэш-эмбеддинги на входе (окна 2/3/4 токена),
|
| 41 |
+
value-residual из нулевого слоя, per-head гейт на выходе внимания,
|
| 42 |
+
qk-norm, RoPE, logit softcap.
|
| 43 |
+
|
| 44 |
+
## Токенизатор
|
| 45 |
+
|
| 46 |
+
Свой BPE на 24 576, обучен на 40M символов русского, английского и Python.
|
| 47 |
+
|
| 48 |
+
| язык | символов на токен |
|
| 49 |
+
|---|---|
|
| 50 |
+
| русский | **4.29** |
|
| 51 |
+
| английский | **4.29** |
|
| 52 |
+
| python | **3.33** |
|
| 53 |
+
|
| 54 |
+
Для сравнения: исходный токенизатор Aurora2 давал на русском 0.82.
|
| 55 |
+
|
| 56 |
+
## Обучение
|
| 57 |
+
|
| 58 |
+
| | |
|
| 59 |
+
|---|---|
|
| 60 |
+
| токенов | **500M** (прогон продолжается до 1.5B) |
|
| 61 |
+
| шагов | 13 563 |
|
| 62 |
+
| loss | 10.1 → **2.736** (минимум 2.24) |
|
| 63 |
+
| скорость | 26 433 ток/с |
|
| 64 |
+
| GPU | 1× Tesla T4, fp16 |
|
| 65 |
+
| время | 5.7 ч |
|
| 66 |
+
| lr | 6e-4, cosine, warmup 500 |
|
| 67 |
+
| батч | 12 × 3 × 1024 = 36 864 ток./шаг |
|
| 68 |
+
| микс | Python 34%, русский 40%, английский 20%, математика 0%, C#/Rust 6% |
|
| 69 |
+
|
| 70 |
+
## Что модель умеет и чего не умеет
|
| 71 |
+
|
| 72 |
+
Честно: она выучила **форму** языка и кода, но не смысл. Реальные сэмплы
|
| 73 |
+
(температура 0.8):
|
| 74 |
+
|
| 75 |
+
```
|
| 76 |
+
Русский язык — это Турба́м, также — индийский язык (АПК — значит «ж».
|
| 77 |
+
— «календарное слово»), развивающаяся в соответствии с этим языковым
|
| 78 |
+
содержанием.
|
| 79 |
+
```
|
| 80 |
+
|
| 81 |
+
```python
|
| 82 |
+
def quicksort(arr):
|
| 83 |
+
"""
|
| 84 |
+
Utility
|
| 85 |
+
---------
|
| 86 |
+
For more details about the code in the __doc__ function, see
|
| 87 |
+
https://docs.djangoproject.com/en/1.7/ref/settings/
|
| 88 |
+
```
|
| 89 |
+
|
| 90 |
+
То есть: настоящие русские слова с согласованием, синтаксически верный
|
| 91 |
+
английский, узнаваемая структура Python (докстринги, отступы, ссылки) — но
|
| 92 |
+
содержание бессвязное. `quicksort` она не знает.
|
| 93 |
+
|
| 94 |
+
Это ожидаемо для 100M модели на 500M токенов: GPT-2 small (124M) понадобилось
|
| 95 |
+
~40 млрд токенов, чтобы начать связно говорить.
|
| 96 |
+
|
| 97 |
+
## Использование
|
| 98 |
+
|
| 99 |
+
```python
|
| 100 |
+
import torch
|
| 101 |
+
from transformers import AutoModelForCausalLM, AutoTokenizer
|
| 102 |
+
|
| 103 |
+
repo = "AdminHugging/PP-Hydrogen"
|
| 104 |
+
tok = AutoTokenizer.from_pretrained(repo, trust_remote_code=True)
|
| 105 |
+
model = AutoModelForCausalLM.from_pretrained(
|
| 106 |
+
repo, trust_remote_code=True, torch_dtype=torch.float32
|
| 107 |
+
).eval()
|
| 108 |
+
|
| 109 |
+
ids = tok("Русский язык — это", return_tensors="pt").input_ids
|
| 110 |
+
out = model.generate(ids, max_new_tokens=40, do_sample=True,
|
| 111 |
+
temperature=0.8, top_p=0.9)
|
| 112 |
+
print(tok.decode(out[0], skip_special_tokens=True))
|
| 113 |
+
```
|
| 114 |
+
|
| 115 |
+
Нужен `trust_remote_code=True` — архитектура `ppai` не входит в transformers.
|
| 116 |
+
|
| 117 |
+
**llama.cpp не поддерживается**: архитектуры `ppai` нет среди GGUF-архитектур,
|
| 118 |
+
плюс n-gram хэш-эмбеддинги требуют отдельного оператора на C++.
|
| 119 |
+
Для локального запуска есть веб-интерфейс на transformers.
|
| 120 |
+
|
| 121 |
+
## Файлы
|
| 122 |
+
|
| 123 |
+
| файл | что это |
|
| 124 |
+
|---|---|
|
| 125 |
+
| `model.safetensors` | веса fp32, 400 МБ |
|
| 126 |
+
| `ckpt/last.pt` | полный чекпоинт с оптимизатором, 1.2 ГБ |
|
| 127 |
+
| `ckpt/weights_bf16.pt` | веса bf16, 200 МБ |
|
| 128 |
+
| `logs/metrics.csv` | кривая обучения |
|
| 129 |
+
| `tokenizer.json` | словарь 24 576 |
|
| 130 |
+
| `modeling_ppai.py` | код архитектуры |
|
| 131 |
+
|
| 132 |
+
## Дальше
|
| 133 |
+
|
| 134 |
+
* продолжение обучения до 1.5B токенов;
|
| 135 |
+
* SFT на парах «задача → Python-функция», чтобы писала код по просьбе;
|
| 136 |
+
* следующая модель линейки — PP-He.
|