--- 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.