File size: 37,208 Bytes
98590b2
ed7d5df
98590b2
 
ed7d5df
98590b2
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
b7bc653
98590b2
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
b7bc653
98590b2
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
"""
JiRackDeltaNet_70b.py
=============================

Собственная (hand-rolled) архитектура "JiRack" -- в стиле
прежнего DS32B-проекта: один файл, свой TransformerBlock, никакого
AutoConfig/AutoModelForCausalLM внутри класса архитектуры, никакого
model_id в конструкторе. Все размерности зашиты константами ниже --
подтверждены живым инспектом реального checkpoint'а (inspect_qwen38_keys.py,
851 тензор, сверено).

Математика DeltaNet-рекуррентности, свёртки, гейтинга и partial-rotary
mRoPE-attention ПОРТИРОВАНА из реального modeling_qwen3_5.py (Apache 2.0,
HuggingFace/Qwen), а не переизобретена -- чтобы не рисковать тихой
числовой ошибкой в тонкой рекуррентной формуле. Портирован смысл, но
код переписан под наши имена/стиль и урезан: без vision-башни, без
KV-cache классов transformers (для тренировки полный форвард по
последовательности не нужен; для генерации -- полный recompute на
каждом шаге, без инкрементального кэша; это сознательное упрощение,
при желании кэш можно добавить отдельно).

Имена подмодулей (`linear_attn` / `self_attn`, `in_proj_qkv`, `out_proj`,
`mlp.gate_proj` и т.д.) намеренно СОВПАДАЮТ с именами в реальном
state_dict Qwen3_5ForCausalLM -- поэтому веса из HF-чекпоинта грузятся
напрямую через load_state_dict(), без ручного key-mapping.

Файл умеет:
  - собрать модель (JiRackQwen38ForCausalLM) с нуля, случайные веса;
  - принять state_dict в формате HF Qwen3_5ForCausalLM (после
    AutoModelForCausalLM.from_pretrained(...).state_dict() в конвертере)
    и загрузить его напрямую;
  - пропатчить нужные nn.Linear -> BitLinear (TERNARIZE_PATTERNS);
  - сохранить/загрузить свой JiRack-чекпоинт (save_checkpoint/load_checkpoint).

Конвертер (convert_qwen38_to_jirack.py) по-прежнему знает про model_id
и HF Hub -- но это знание живёт ТОЛЬКО в конвертере, не в архитектуре.
"""

import os
import re
import torch
import torch.nn as nn
import torch.nn.functional as F


# =====================================================================
# 1. CONFIRMED АРХИТЕКТУРА -- жёстко зашитые константы (не AutoConfig)
# =====================================================================

HIDDEN_SIZE = 5120
VOCAB_SIZE = 248320
INTERMEDIATE_SIZE = 26624
NUM_LAYERS = 128
RMS_NORM_EPS = 1e-6

# Чередование слоёв: full_attention_interval = 4 ->
# 3x linear_attention, 1x full_attention, повторяется на все 64 слоя.
LAYER_TYPES = ["linear_attention"] * 3 + ["full_attention"]
LAYER_TYPES = (LAYER_TYPES * (NUM_LAYERS // len(LAYER_TYPES) + 1))[:NUM_LAYERS]

# --- Gated DeltaNet (linear_attention) ---
LINEAR_NUM_KEY_HEADS = 16
LINEAR_KEY_HEAD_DIM = 128
LINEAR_NUM_VALUE_HEADS = 48
LINEAR_VALUE_HEAD_DIM = 128
LINEAR_CONV_KERNEL_DIM = 4
DELTA_KEY_DIM = LINEAR_NUM_KEY_HEADS * LINEAR_KEY_HEAD_DIM       # 2048
DELTA_VALUE_DIM = LINEAR_NUM_VALUE_HEADS * LINEAR_VALUE_HEAD_DIM  # 6144
DELTA_CONV_DIM = DELTA_KEY_DIM * 2 + DELTA_VALUE_DIM              # 10240
DELTA_CHUNK_SIZE = 64

# --- Gated Attention (full_attention) ---
NUM_ATTENTION_HEADS = 24
NUM_KEY_VALUE_HEADS = 4
HEAD_DIM = 256
PARTIAL_ROTARY_FACTOR = 0.25
ROPE_THETA = 1e7
MROPE_SECTION = [11, 11, 10]
ATTENTION_BIAS = False

ARCH_SUMMARY = f"""
Qwen layout (qwen3_5), hand-rolled JiRack TransformerBlock, text-only.
hidden_size={HIDDEN_SIZE}, vocab_size={VOCAB_SIZE},
intermediate_size={INTERMEDIATE_SIZE}, num_hidden_layers={NUM_LAYERS}
Чередование (interval=4): 3x linear_attention (DeltaNet), 1x full_attention
"""

KEPT_FULL_PRECISION = """
Всегда остаются full precision (не GEMM, либо слишком чувствительны):
  - dt_bias, A_log                    (сырые Parameters, decay DeltaNet)
  - linear_attn.in_proj_b/in_proj_a   (по умолчанию, см. GATE_PROJ_PATTERNS)
  - conv1d                            (depthwise grouped conv, не GEMM)
  - все нормы: RMSNormGated, q_norm/k_norm, model.norm
  - embed_tokens, lm_head
  - mtp.* (вся MTP/NextN-голова)      (draft-слой спекулятивного декода;
                                       тернаризация убивает acceptance rate,
                                       комьюнити-GGUF держат её в Q8_0)
"""


# =====================================================================
# 2. BitLinear -- наш тернарный слой
# =====================================================================

class BitLinear(nn.Linear):
    """b1.58-style per-tensor absmean ternary weights, per-token int8
    activations, непрерывный lambda-warmup (STE)."""

    def __init__(self, in_features, out_features, bias=False):
        super().__init__(in_features, out_features, bias=bias)
        self.eps = 1e-5
        self.register_buffer("lambda_", torch.zeros(()), persistent=True)

    @classmethod
    def from_linear(cls, lin: nn.Linear) -> "BitLinear":
        bl = cls(lin.in_features, lin.out_features, bias=lin.bias is not None)
        bl = bl.to(dtype=lin.weight.dtype, device=lin.weight.device)
        with torch.no_grad():
            bl.weight.copy_(lin.weight)
            if lin.bias is not None:
                bl.bias.copy_(lin.bias)
        return bl

    def forward(self, x: torch.Tensor) -> torch.Tensor:
        if not self.training and float(self.lambda_) < 1e-6:
            return F.linear(x, self.weight, self.bias)

        lam = self.lambda_.to(x.dtype)
        w = self.weight
        gamma = w.float().abs().mean().clamp(min=self.eps).to(w.dtype)
        w_quant = torch.clamp(torch.round(w / gamma), -1.0, 1.0) * gamma
        w_effective = w + lam * (w_quant - w).detach()

        x_scale = 127.0 / x.abs().max(dim=-1, keepdim=True).values.clamp(min=self.eps)
        x_quant = torch.clamp(torch.round(x * x_scale), -128.0, 127.0) / x_scale
        x_effective = x + lam * (x_quant - x).detach()

        return F.linear(x_effective, w_effective, self.bias)

    def set_lambda(self, v: float):
        self.lambda_.fill_(v)


# =====================================================================
# 3. Карта: что тернаризуем, что оставляем full precision
# =====================================================================

TERNARIZE_PATTERNS = [
    r"linear_attn\.in_proj_qkv$",
    r"linear_attn\.in_proj_z$",
    r"linear_attn\.out_proj$",
    r"self_attn\.q_proj$",
    r"self_attn\.k_proj$",
    r"self_attn\.v_proj$",
    r"self_attn\.o_proj$",
    r"mlp\.gate_proj$",
    r"mlp\.up_proj$",
    r"mlp\.down_proj$",
]

GATE_PROJ_PATTERNS = [
    r"linear_attn\.in_proj_b$",
    r"linear_attn\.in_proj_a$",
]


def apply_bitlinear_patch(model: nn.Module, include_gate_proj: bool = False):
    """Точечная замена nn.Linear -> BitLinear по TERNARIZE_PATTERNS."""
    patterns = list(TERNARIZE_PATTERNS)
    if include_gate_proj:
        patterns += GATE_PROJ_PATTERNS
    compiled = [re.compile(p) for p in patterns]

    patched = []
    for name, module in list(model.named_modules()):
        if not isinstance(module, nn.Linear):
            continue
        # MTP/NextN-голова НЕ тернаризуется -- всегда full precision.
        # Суффиксные паттерны (self_attn.q_proj$ и т.п.) иначе зацепили бы
        # mtp.layers.0.self_attn.q_proj.
        if name.startswith("mtp"):
            continue
        if any(p.search(name) for p in compiled):
            parent_name, _, child_name = name.rpartition(".")
            parent = model.get_submodule(parent_name) if parent_name else model
            setattr(parent, child_name, BitLinear.from_linear(module))
            patched.append(name)
    return patched


# =====================================================================
# 4. Общие блоки (порт математики из реального modeling_qwen3_5.py)
# =====================================================================

class RMSNorm(nn.Module):
    """(x * w).to(dtype), w хранится как (weight) с offset +1 -- как в
    оригинале Qwen3_5RMSNorm (инициализация нулями, эффективный вес 1+w)."""

    def __init__(self, dim: int, eps: float = RMS_NORM_EPS):
        super().__init__()
        self.eps = eps
        self.weight = nn.Parameter(torch.zeros(dim))

    def forward(self, x: torch.Tensor) -> torch.Tensor:
        dtype = x.dtype
        x = x.float()
        x = x * torch.rsqrt(x.pow(2).mean(-1, keepdim=True) + self.eps)
        x = x * (1.0 + self.weight.float())
        return x.to(dtype)


class RMSNormGated(nn.Module):
    """RMSNorm с гейтингом через SiLU(gate), применяется ПЕРЕД гейтингом
    (норма считается по hidden_states, гейт применяется после)."""

    def __init__(self, dim: int, eps: float = RMS_NORM_EPS):
        super().__init__()
        self.weight = nn.Parameter(torch.ones(dim))
        self.eps = eps

    def forward(self, x: torch.Tensor, gate: torch.Tensor) -> torch.Tensor:
        dtype = x.dtype
        x = x.float()
        var = x.pow(2).mean(-1, keepdim=True)
        x = x * torch.rsqrt(var + self.eps)
        x = self.weight * x.to(dtype)
        x = x * F.silu(gate.float())
        return x.to(dtype)


def rotate_half(x: torch.Tensor) -> torch.Tensor:
    x1 = x[..., : x.shape[-1] // 2]
    x2 = x[..., x.shape[-1] // 2:]
    return torch.cat((-x2, x1), dim=-1)


def apply_rotary_pos_emb(q, k, cos, sin, unsqueeze_dim=1):
    """Partial rotary: только первые cos.shape[-1] каналов вращаются,
    остальное (q_pass/k_pass) проходит без изменений."""
    cos = cos.unsqueeze(unsqueeze_dim)
    sin = sin.unsqueeze(unsqueeze_dim)
    rotary_dim = cos.shape[-1]
    q_rot, q_pass = q[..., :rotary_dim], q[..., rotary_dim:]
    k_rot, k_pass = k[..., :rotary_dim], k[..., rotary_dim:]
    q_embed = torch.cat([(q_rot * cos) + (rotate_half(q_rot) * sin), q_pass], dim=-1)
    k_embed = torch.cat([(k_rot * cos) + (rotate_half(k_rot) * sin), k_pass], dim=-1)
    return q_embed, k_embed


class TextRotaryEmbedding(nn.Module):
    """mRoPE с partial_rotary_factor. Для чистого текста (без vision)
    3 позиционные "оси" (T,H,W) совпадают -> interleaved mRoPE
    вырождается в обычный RoPE, но мы всё равно считаем честно тем же
    путём, что и оригинал, для полной числовой идентичности."""

    def __init__(self, head_dim=HEAD_DIM, partial_rotary_factor=PARTIAL_ROTARY_FACTOR,
                 theta=ROPE_THETA, mrope_section=MROPE_SECTION):
        super().__init__()
        self.rotary_dim = int(head_dim * partial_rotary_factor)
        inv_freq = 1.0 / (theta ** (torch.arange(0, self.rotary_dim, 2, dtype=torch.float32) / self.rotary_dim))
        self.register_buffer("inv_freq", inv_freq, persistent=False)
        self.mrope_section = mrope_section

    def _apply_interleaved_mrope(self, freqs: torch.Tensor) -> torch.Tensor:
        # freqs: (3, bs, seq, rotary_dim // 2)
        freqs_t = freqs[0].clone()
        for dim, offset in enumerate((1, 2), start=1):
            length = self.mrope_section[dim] * 3
            idx = slice(offset, length, 3)
            freqs_t[..., idx] = freqs[dim, ..., idx]
        return freqs_t

    @torch.no_grad()
    def forward(self, x: torch.Tensor, position_ids: torch.LongTensor):
        # position_ids: (bs, seq) -> реплицируем в 3 идентичные оси (text-only)
        if position_ids.ndim == 2:
            position_ids = position_ids[None, ...].expand(3, position_ids.shape[0], -1)
        inv_freq_exp = self.inv_freq[None, None, :, None].float().expand(3, position_ids.shape[1], -1, 1)
        pos_exp = position_ids[:, :, None, :].float()
        freqs = (inv_freq_exp @ pos_exp).transpose(2, 3)   # (3, bs, seq, rotary_dim//2)
        freqs = self._apply_interleaved_mrope(freqs)        # (bs, seq, rotary_dim//2)
        emb = torch.cat((freqs, freqs), dim=-1)              # (bs, seq, rotary_dim)
        return emb.cos().to(x.dtype), emb.sin().to(x.dtype)


def l2norm(x: torch.Tensor, dim: int = -1, eps: float = 1e-6):
    return x * torch.rsqrt((x * x).sum(dim=dim, keepdim=True) + eps)


def causal_conv1d(hidden_states: torch.Tensor, weight: torch.Tensor, activation: str = "silu"):
    """hidden_states: (batch, channels, seq_len). Depthwise causal conv,
    left-padded by kernel_size - 1, затем активация."""
    channels, seq_len = hidden_states.shape[1], hidden_states.shape[2]
    padding = weight.shape[-1] - 1
    out = F.conv1d(hidden_states, weight=weight.unsqueeze(1), bias=None, padding=padding, groups=channels)
    out = out[:, :, :seq_len]
    return F.silu(out) if activation == "silu" else out


def chunked_gated_delta_rule(query, key, value, g, beta, chunk_size=DELTA_CHUNK_SIZE):
    """Порт torch_chunk_gated_delta_rule из modeling_qwen3_5.py -- без
    initial_state/output_final_state (тренировка/полный форвард без
    инкрементального кэша). query/key/value: (b, h, t, d), g/beta: (b, h, t)."""
    initial_dtype = query.dtype
    query = l2norm(query, dim=-1, eps=1e-6)
    key = l2norm(key, dim=-1, eps=1e-6)
    query, key, value, beta, g = [x.contiguous().to(torch.float32) for x in (query, key, value, beta, g)]

    b, h, t, k_dim = key.shape
    v_dim = value.shape[-1]
    pad = (chunk_size - t % chunk_size) % chunk_size
    query = F.pad(query, (0, 0, 0, pad))
    key = F.pad(key, (0, 0, 0, pad))
    value = F.pad(value, (0, 0, 0, pad))
    beta = F.pad(beta, (0, pad))
    g = F.pad(g, (0, pad))
    total_t = t + pad
    scale = 1 / (query.shape[-1] ** 0.5)
    query = query * scale

    v_beta = value * beta.unsqueeze(-1)
    k_beta = key * beta.unsqueeze(-1)
    query, key, value, k_beta, v_beta = [
        x.reshape(x.shape[0], x.shape[1], -1, chunk_size, x.shape[-1]) for x in (query, key, value, k_beta, v_beta)
    ]
    g = g.reshape(g.shape[0], g.shape[1], -1, chunk_size)
    mask = torch.triu(torch.ones(chunk_size, chunk_size, dtype=torch.bool, device=query.device), diagonal=0)

    g = g.cumsum(dim=-1)
    decay_mask = ((g.unsqueeze(-1) - g.unsqueeze(-2)).tril().exp().float()).tril()
    attn = -((k_beta @ key.transpose(-1, -2)) * decay_mask).masked_fill(mask, 0)
    for i in range(1, chunk_size):
        row = attn[..., i, :i].clone()
        sub = attn[..., :i, :i].clone()
        attn[..., i, :i] = row + (row.unsqueeze(-1) * sub).sum(-2)
    attn = attn + torch.eye(chunk_size, dtype=attn.dtype, device=attn.device)
    value = attn @ v_beta
    k_cumdecay = attn @ (k_beta * g.exp().unsqueeze(-1))

    last_state = torch.zeros(b, h, k_dim, v_dim, dtype=value.dtype, device=value.device)
    core_out = torch.zeros_like(value)

    for i in range(total_t // chunk_size):
        q_i, k_i, v_i = query[:, :, i], key[:, :, i], value[:, :, i]
        attn_i = q_i @ k_i.transpose(-1, -2) * decay_mask[:, :, i]
        v_prime = k_cumdecay[:, :, i] @ last_state
        v_new = v_i - v_prime
        attn_inter = (q_i * g[:, :, i, :, None].exp()) @ last_state
        core_out[:, :, i] = attn_inter + attn_i @ v_new
        last_state = (
            last_state * g[:, :, i, -1, None, None].exp()
            + (k_i * (g[:, :, i, -1, None] - g[:, :, i]).exp()[..., None]).transpose(-1, -2) @ v_new
        )

    core_out = core_out.reshape(core_out.shape[0], core_out.shape[1], -1, core_out.shape[-1])
    core_out = core_out[:, :, :t]
    core_out = core_out.transpose(1, 2).contiguous().to(initial_dtype)
    return core_out


# =====================================================================
# 5. Наш собственный TransformerBlock (и подмодули linear_attn/self_attn)
# =====================================================================

class GatedDeltaNetBlock(nn.Module):
    """linear_attention слой (Gated DeltaNet). Имена подмодулей совпадают
    с HF state_dict, чтобы веса грузились напрямую."""

    def __init__(self):
        super().__init__()
        self.conv1d = nn.Conv1d(
            in_channels=DELTA_CONV_DIM, out_channels=DELTA_CONV_DIM, bias=False,
            kernel_size=LINEAR_CONV_KERNEL_DIM, groups=DELTA_CONV_DIM,
            padding=LINEAR_CONV_KERNEL_DIM - 1,
        )
        self.dt_bias = nn.Parameter(torch.ones(LINEAR_NUM_VALUE_HEADS))
        A = torch.empty(LINEAR_NUM_VALUE_HEADS).uniform_(0.01, 16)
        self.A_log = nn.Parameter(torch.log(A))
        self.norm = RMSNormGated(LINEAR_VALUE_HEAD_DIM, eps=RMS_NORM_EPS)
        self.out_proj = nn.Linear(DELTA_VALUE_DIM, HIDDEN_SIZE, bias=False)
        self.in_proj_qkv = nn.Linear(HIDDEN_SIZE, DELTA_KEY_DIM * 2 + DELTA_VALUE_DIM, bias=False)
        self.in_proj_z = nn.Linear(HIDDEN_SIZE, DELTA_VALUE_DIM, bias=False)
        self.in_proj_b = nn.Linear(HIDDEN_SIZE, LINEAR_NUM_VALUE_HEADS, bias=False)
        self.in_proj_a = nn.Linear(HIDDEN_SIZE, LINEAR_NUM_VALUE_HEADS, bias=False)

    def forward(self, hidden_states: torch.Tensor) -> torch.Tensor:
        bsz, seq_len, _ = hidden_states.shape

        mixed_qkv = self.in_proj_qkv(hidden_states).transpose(1, 2)   # (b, conv_dim, t)
        z = self.in_proj_z(hidden_states).reshape(bsz, seq_len, -1, LINEAR_VALUE_HEAD_DIM)
        b = self.in_proj_b(hidden_states)
        a = self.in_proj_a(hidden_states)

        mixed_qkv = causal_conv1d(mixed_qkv, self.conv1d.weight.squeeze(1), activation="silu")
        mixed_qkv = mixed_qkv.transpose(1, 2)   # (b, t, conv_dim)

        query, key, value = torch.split(mixed_qkv, [DELTA_KEY_DIM, DELTA_KEY_DIM, DELTA_VALUE_DIM], dim=-1)
        query = query.reshape(bsz, seq_len, -1, LINEAR_KEY_HEAD_DIM)
        key = key.reshape(bsz, seq_len, -1, LINEAR_KEY_HEAD_DIM)
        value = value.reshape(bsz, seq_len, -1, LINEAR_VALUE_HEAD_DIM)

        beta = b.sigmoid()
        g = -self.A_log.float().exp() * F.softplus(a.float() + self.dt_bias)

        rep = LINEAR_NUM_VALUE_HEADS // LINEAR_NUM_KEY_HEADS
        if rep > 1:
            query = query.repeat_interleave(rep, dim=2)
            key = key.repeat_interleave(rep, dim=2)

        # -> (b, h, t, d) for the chunked kernel
        query_h = query.transpose(1, 2)
        key_h = key.transpose(1, 2)
        value_h = value.transpose(1, 2)
        beta_h = beta.transpose(1, 2)
        g_h = g.transpose(1, 2)

        core_attn_out = chunked_gated_delta_rule(query_h, key_h, value_h, g_h, beta_h)

        core_attn_out = core_attn_out.reshape(-1, LINEAR_VALUE_HEAD_DIM)
        z_flat = z.reshape(-1, LINEAR_VALUE_HEAD_DIM)
        core_attn_out = self.norm(core_attn_out, z_flat)
        core_attn_out = core_attn_out.reshape(bsz, seq_len, -1)

        return self.out_proj(core_attn_out)


class AttentionBlock(nn.Module):
    """full_attention слой (Gated Attention + partial rotary mRoPE)."""

    def __init__(self):
        super().__init__()
        self.num_key_value_groups = NUM_ATTENTION_HEADS // NUM_KEY_VALUE_HEADS
        self.scaling = HEAD_DIM ** -0.5
        self.q_proj = nn.Linear(HIDDEN_SIZE, NUM_ATTENTION_HEADS * HEAD_DIM * 2, bias=ATTENTION_BIAS)
        self.k_proj = nn.Linear(HIDDEN_SIZE, NUM_KEY_VALUE_HEADS * HEAD_DIM, bias=ATTENTION_BIAS)
        self.v_proj = nn.Linear(HIDDEN_SIZE, NUM_KEY_VALUE_HEADS * HEAD_DIM, bias=ATTENTION_BIAS)
        self.o_proj = nn.Linear(NUM_ATTENTION_HEADS * HEAD_DIM, HIDDEN_SIZE, bias=ATTENTION_BIAS)
        self.q_norm = RMSNorm(HEAD_DIM, eps=RMS_NORM_EPS)
        self.k_norm = RMSNorm(HEAD_DIM, eps=RMS_NORM_EPS)

    def forward(self, hidden_states, cos, sin, causal_mask):
        bsz, seq_len, _ = hidden_states.shape
        hidden_shape = (bsz, seq_len, -1, HEAD_DIM)

        query_states, gate = torch.chunk(
            self.q_proj(hidden_states).view(bsz, seq_len, -1, HEAD_DIM * 2), 2, dim=-1
        )
        gate = gate.reshape(bsz, seq_len, -1)

        query_states = self.q_norm(query_states.view(hidden_shape)).transpose(1, 2)
        key_states = self.k_norm(self.k_proj(hidden_states).view(hidden_shape)).transpose(1, 2)
        value_states = self.v_proj(hidden_states).view(hidden_shape).transpose(1, 2)

        query_states, key_states = apply_rotary_pos_emb(query_states, key_states, cos, sin)

        rep = self.num_key_value_groups
        key_states = key_states.repeat_interleave(rep, dim=1)
        value_states = value_states.repeat_interleave(rep, dim=1)

        attn_weights = torch.matmul(query_states, key_states.transpose(2, 3)) * self.scaling
        attn_weights = attn_weights + causal_mask
        attn_weights = F.softmax(attn_weights, dim=-1, dtype=torch.float32).to(query_states.dtype)
        attn_output = torch.matmul(attn_weights, value_states)
        attn_output = attn_output.transpose(1, 2).contiguous().reshape(bsz, seq_len, -1)
        attn_output = attn_output * torch.sigmoid(gate)

        return self.o_proj(attn_output)


class MLPBlock(nn.Module):
    def __init__(self):
        super().__init__()
        self.gate_proj = nn.Linear(HIDDEN_SIZE, INTERMEDIATE_SIZE, bias=False)
        self.up_proj = nn.Linear(HIDDEN_SIZE, INTERMEDIATE_SIZE, bias=False)
        self.down_proj = nn.Linear(INTERMEDIATE_SIZE, HIDDEN_SIZE, bias=False)

    def forward(self, x):
        return self.down_proj(F.silu(self.gate_proj(x)) * self.up_proj(x))


class TransformerBlock(nn.Module):
    """Наш decoder layer -- linear_attn ИЛИ self_attn, в зависимости от
    layer_type, + общий MLP. Имена атрибутов совпадают с HF state_dict."""

    def __init__(self, layer_idx: int, layer_type: str = None):
        super().__init__()
        # layer_type задан явно -> используем его (нужно для MTP-слоя,
        # который всегда full_attention и лежит ВНЕ LAYER_TYPES).
        self.block_type = layer_type if layer_type is not None else LAYER_TYPES[layer_idx]
        if self.block_type == "linear_attention":
            self.linear_attn = GatedDeltaNetBlock()
        else:
            self.self_attn = AttentionBlock()
        self.mlp = MLPBlock()
        self.input_layernorm = RMSNorm(HIDDEN_SIZE, eps=RMS_NORM_EPS)
        self.post_attention_layernorm = RMSNorm(HIDDEN_SIZE, eps=RMS_NORM_EPS)

    def forward(self, hidden_states, cos, sin, causal_mask):
        residual = hidden_states
        hidden_states = self.input_layernorm(hidden_states)
        if self.block_type == "linear_attention":
            hidden_states = self.linear_attn(hidden_states)
        else:
            hidden_states = self.self_attn(hidden_states, cos, sin, causal_mask)
        hidden_states = residual + hidden_states

        residual = hidden_states
        hidden_states = self.post_attention_layernorm(hidden_states)
        hidden_states = self.mlp(hidden_states)
        hidden_states = residual + hidden_states
        return hidden_states


# =====================================================================
# 5b. MTP / NextN-голова (draft-слой спекулятивного декода)
# =====================================================================

class MTPBlock(nn.Module):
    """Multi-Token Prediction голова -- ровно как в реальном чекпоинте

    Имена подмодулей СОВПАДАЮТ с ключами HF state_dict (top-level `mtp.`):
        mtp.pre_fc_norm_embedding.weight
        mtp.pre_fc_norm_hidden.weight
        mtp.fc.weight                       [HIDDEN, 2*HIDDEN]
        mtp.layers.0.*                      (обычный full_attention decoder)
        mtp.norm.weight                     (final norm перед общим lm_head)

    embed_tokens и lm_head ОБЩИЕ со стволом (dedicated embeddings = false),
    здесь их нет. В GGUF это blk.{NUM_LAYERS}.nextn.eh_proj / 
    shared_head_norm + тензоры draft-слоя.

    Механика (DeepSeek-style, порядок как в vLLM Qwen3NextMTP):
        h = fc(cat(pre_fc_norm_embedding(emb_next), pre_fc_norm_hidden(h_prev)))
        h = layers[0](h)          # full attention
        logits2 = lm_head(norm(h))
    """

    def __init__(self):
        super().__init__()
        self.pre_fc_norm_embedding = RMSNorm(HIDDEN_SIZE, eps=RMS_NORM_EPS)
        self.pre_fc_norm_hidden = RMSNorm(HIDDEN_SIZE, eps=RMS_NORM_EPS)
        self.fc = nn.Linear(2 * HIDDEN_SIZE, HIDDEN_SIZE, bias=False)
        self.layers = nn.ModuleList([
            TransformerBlock(layer_idx=NUM_LAYERS, layer_type="full_attention"),
        ])
        self.norm = RMSNorm(HIDDEN_SIZE, eps=RMS_NORM_EPS)

    def forward(self, inputs_embeds, previous_hidden, cos, sin, causal_mask):
        """inputs_embeds  -- embed_tokens(токены, сдвинутые на +1)
        previous_hidden   -- hidden ствола ДО финального model.norm
        (см. контракт: MTP сам применяет pre_fc_norm_hidden)."""
        h = self.fc(torch.cat(
            (self.pre_fc_norm_embedding(inputs_embeds),
             self.pre_fc_norm_hidden(previous_hidden)),
            dim=-1,
        ))
        h = self.layers[0](h, cos, sin, causal_mask)
        return self.norm(h)


# =====================================================================
# 6. Полная модель
# =====================================================================

class JiRackQwen38Model(nn.Module):
    def __init__(self):
        super().__init__()
        self.embed_tokens = nn.Embedding(VOCAB_SIZE, HIDDEN_SIZE)
        self.layers = nn.ModuleList([TransformerBlock(i) for i in range(NUM_LAYERS)])
        self.norm = RMSNorm(HIDDEN_SIZE, eps=RMS_NORM_EPS)
        self.rotary_emb = TextRotaryEmbedding()

    def forward(self, input_ids: torch.LongTensor, return_prenorm: bool = False):
        bsz, seq_len = input_ids.shape
        hidden_states = self.embed_tokens(input_ids)

        position_ids = torch.arange(seq_len, device=input_ids.device).unsqueeze(0).expand(bsz, -1)
        cos, sin = self.rotary_emb(hidden_states, position_ids)

        causal_mask = torch.full((seq_len, seq_len), float("-inf"), device=input_ids.device, dtype=torch.float32)
        causal_mask = torch.triu(causal_mask, diagonal=1)[None, None, :, :].to(hidden_states.dtype)

        for layer in self.layers:
            hidden_states = layer(hidden_states, cos, sin, causal_mask)

        if return_prenorm:
            # Для MTP: голова сама применяет pre_fc_norm_hidden, финальный
            # model.norm сюда НЕ входит (иначе двойная нормализация).
            return self.norm(hidden_states), hidden_states, (cos, sin, causal_mask)
        return self.norm(hidden_states)


class JiRackQwen38ForCausalLM(nn.Module):
    """Верхнеуровневая модель. Имена атрибутов (`model`, `lm_head`)
    совпадают с HF Qwen3_5ForCausalLM -- state_dict грузится напрямую."""

    def __init__(self):
        super().__init__()
        self.model = JiRackQwen38Model()
        self.lm_head = nn.Linear(HIDDEN_SIZE, VOCAB_SIZE, bias=False)
        # MTP/NextN-голова: top-level атрибут `mtp` -- ключи state_dict
        # получаются ровно mtp.*, как в реальном HF-чекпоинте.
        self.mtp = MTPBlock()

    def forward(self, input_ids: torch.LongTensor) -> torch.Tensor:
        hidden_states = self.model(input_ids)
        return self.lm_head(hidden_states)

    def mtp_forward(self, input_ids: torch.LongTensor):
        """Возвращает (logits_t1, logits_t2): обычные логиты ствола и
        draft-логиты MTP-головы (предсказание токена t+2 из позиции t).
        Для инференса/валидации MTP; в GGUF-конвертации не участвует."""
        _, prenorm_hidden, (cos, sin, causal_mask) = self.model(
            input_ids, return_prenorm=True)
        logits_t1 = self.lm_head(self.model.norm(prenorm_hidden))

        # Вход MTP -- эмбеддинги токенов, сдвинутых на +1 (следующий токен
        # уже известен на шаге верификации). Последнюю позицию дублируем,
        # чтобы сохранить форму (draft для неё не используется).
        shifted = torch.cat([input_ids[:, 1:], input_ids[:, -1:]], dim=1)
        emb_next = self.model.embed_tokens(shifted)
        h2 = self.mtp(emb_next, prenorm_hidden, cos, sin, causal_mask)
        logits_t2 = self.lm_head(h2)
        return logits_t1, logits_t2

    # -----------------------------------------------------------------
    # Загрузка реальных весов (state_dict уже скачан конвертером через
    # HF Hub -- сюда просто передаётся словарь тензоров)
    # -----------------------------------------------------------------
    def load_hf_state_dict(self, state_dict: dict, strict: bool = False):
        """Грузит state_dict в формате оригинального Qwen3_5ForCausalLM.
        mtp.* ключи теперь ГРУЗЯТСЯ в self.mtp (MTPBlock) -- фильтра
        больше нет. strict=False оставлен из-за служебных lambda_-буферов
        BitLinear, которых нет в реальном чекпоинте."""
        missing, unexpected = self.load_state_dict(state_dict, strict=strict)
        real_missing = [k for k in missing if not k.endswith("lambda_")]
        if real_missing:
            print(f"⚠️  {len(real_missing)} missing keys (первые 10): {real_missing[:10]}")
        if unexpected:
            print(f"⚠️  {len(unexpected)} unexpected keys (первые 10): {unexpected[:10]}")
        return missing, unexpected

    # -----------------------------------------------------------------
    # Подсадка РЕАЛЬНЫХ mtp.* весов из оригинального HF-чекпоинта.
    # Нужна, потому что старые JiRack .pt сохранены ДО появления MTPBlock
    # и mtp-весов не содержат (там была бы случайная инициализация).
    # -----------------------------------------------------------------
    def load_mtp_from_hf_dir(self, hf_dir: str):
        """Читает из папки оригинального HF-чекпоинта ТОЛЬКО mtp.* тензоры
        (по index.json или перебором *.safetensors) и грузит их в self.mtp.
        Возвращает число загруженных тензоров."""
        import glob
        import json as _json
        from safetensors import safe_open

        index_path = os.path.join(hf_dir, "model.safetensors.index.json")
        mtp_map = {}  # key -> shard file
        if os.path.exists(index_path):
            with open(index_path) as f:
                weight_map = _json.load(f)["weight_map"]
            for k, shard in weight_map.items():
                if k.startswith("mtp."):
                    mtp_map[k] = os.path.join(hf_dir, shard)
        else:
            for shard in glob.glob(os.path.join(hf_dir, "*.safetensors")):
                with safe_open(shard, framework="pt", device="cpu") as f:
                    for k in f.keys():
                        if k.startswith("mtp."):
                            mtp_map[k] = shard

        if not mtp_map:
            raise FileNotFoundError(
                f"В {hf_dir} не найдено ни одного mtp.* тензора. Нужен "
                f"ОРИГИНАЛЬНЫЙ чекпоинт Qwen (не JiRack-экспорт!). "
                f"Если оригинальные шарды удалены -- перекачай с HF Hub "
                f"только шарды с mtp.* по model.safetensors.index.json.")

        own_dtype = next(self.mtp.parameters()).dtype
        loaded = {}
        by_shard = {}
        for k, shard in mtp_map.items():
            by_shard.setdefault(shard, []).append(k)
        for shard, keys in by_shard.items():
            with safe_open(shard, framework="pt", device="cpu") as f:
                for k in keys:
                    loaded[k] = f.get_tensor(k).to(own_dtype)

        missing, unexpected = self.load_state_dict(loaded, strict=False)
        n_ok = len(loaded)
        print(f"✅ MTP: загружено {n_ok} тензоров из {len(by_shard)} шардов ({hf_dir})")
        if unexpected:
            print(f"⚠️  MTP: unexpected keys: {unexpected[:10]}")
        return n_ok

    # -----------------------------------------------------------------
    # JiRack-чекпоинт (свой формат, с lambda/patched_linear_names)
    # -----------------------------------------------------------------
    def save_checkpoint(self, path: str, lam: float, global_step: int = 0, patched_linear_names=None):
        torch.save({
            "model": self.state_dict(),
            "lambda": lam,
            "global_step": global_step,
            "patched_linear_names": patched_linear_names or [],
        }, path)

    @classmethod
    def load_checkpoint(cls, path: str, dtype=torch.bfloat16, include_gate_proj: bool = False):
        ckpt = torch.load(path, map_location="cpu", weights_only=False)
        model = cls()
        patched_names = ckpt.get("patched_linear_names", [])
        if patched_names:
            for name in patched_names:
                *parent_path, leaf = name.split(".")
                parent = model
                for p in parent_path:
                    parent = getattr(parent, p)
                old = getattr(parent, leaf)
                if not isinstance(old, BitLinear):
                    setattr(parent, leaf, BitLinear.from_linear(old))
        else:
            apply_bitlinear_patch(model, include_gate_proj=include_gate_proj)

        has_mtp_in_ckpt = any(k.startswith("mtp.") for k in ckpt["model"])
        model.load_state_dict(ckpt["model"], strict=False)
        model = model.to(dtype)

        if not has_mtp_in_ckpt:
            print(
                "⚠️  В этом .pt НЕТ mtp.* весов (чекпоинт сохранён до "
                "появления MTPBlock). Голова сейчас со СЛУЧАЙНОЙ "
                "инициализацией! Перед экспортом обязательно вызови "
                "model.load_mtp_from_hf_dir('<папка оригинального HF-чекпоинта>')."
            )

        lam = ckpt.get("lambda", 0.0)
        for m in model.modules():
            if isinstance(m, BitLinear):
                m.set_lambda(lam)

        print(f"✅ Загружено. global_step={ckpt.get('global_step', 0)}, lambda={lam}")
        return model


# =====================================================================
# 7. Демонстрация (без скачивания весов -- только структура)
# =====================================================================

if __name__ == "__main__":
    print(ARCH_SUMMARY)
    print(KEPT_FULL_PRECISION)

    model = JiRackQwen38ForCausalLM()
    n_params = sum(p.numel() for p in model.parameters())
    print(f"✅ Модель собрана (случайные веса). Параметров: {n_params / 1e9:.2f}B")

    patched = apply_bitlinear_patch(model)
    print(f"✅ Заменено подмодулей на BitLinear: {len(patched)}")
    print("Примеры первых 10:")
    for n in patched[:10]:
        print(f"   {n}")

    ids = torch.randint(0, VOCAB_SIZE, (1, 8))
    with torch.no_grad():
        logits = model(ids)
    print(f"✅ Пробный forward (случайные веса) -> logits shape: {tuple(logits.shape)}")