How to use from the
Use from the
Transformers library
# 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")
Quick Links

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.
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

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.
Downloads last month
1
Safetensors
Model size
100M params
Tensor type
F32
·
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support