Instructions to use prismdata/Perdix-1.1B-Base with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use prismdata/Perdix-1.1B-Base with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-generation", model="prismdata/Perdix-1.1B-Base", trust_remote_code=True)

# pip install -U transformers accelerate
# Load model directly
from transformers import AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained("prismdata/Perdix-1.1B-Base", trust_remote_code=True, device_map="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use prismdata/Perdix-1.1B-Base with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "prismdata/Perdix-1.1B-Base"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "prismdata/Perdix-1.1B-Base",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/prismdata/Perdix-1.1B-Base

SGLang

How to use prismdata/Perdix-1.1B-Base 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 "prismdata/Perdix-1.1B-Base" \
    --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": "prismdata/Perdix-1.1B-Base",
		"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 "prismdata/Perdix-1.1B-Base" \
        --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": "prismdata/Perdix-1.1B-Base",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Docker Model Runner
How to use prismdata/Perdix-1.1B-Base with Docker Model Runner:
```
docker model run hf.co/prismdata/Perdix-1.1B-Base
```

Perdix-1.1B-Base / README.md

prismdata

모델 카드에 학습 데이터 저장소(Perdix-Pretrain-Data) 링크 추가

df10b8f verified 3 days ago

preview code

Raw History Blame Contribute Delete

5.33 kB

metadata

license: apache-2.0
language:
  - ko
  - en
library_name: transformers
pipeline_tag: text-generation
tags:
  - custom_code
  - base-model
  - differential-attention
  - polynorm
datasets:
  - prismdata/Perdix-Pretrain-Data
  - mlfoundations/dclm-baseline-1.0
  - HuggingFaceFW/fineweb-2
  - HuggingFaceTB/finemath

Perdix-1.1B-Base

작은 수준의 LLM으로 이름은 그리스 신화의 페르딕스에서 따왔습니다. 다이달로스의 어린 제자였고 톱과 컴퍼스를 발명했는데, 탑에서 떨어지다 자고새가 되는 바람에 그 뒤로는 낮게만 날아다닌다고 합니다. 지금 이 모델 수준이 딱 그렇습니다.

A 1.1B-parameter Korean/English base language model pretrained from scratch on a single machine. It only continues text; it has not been trained to chat or follow instructions.

무엇을 할 수 있고 무엇을 못 하나

베이스 모델입니다. 문장 앞부분을 주면 뒤를 잇는 것만 합니다. 질문에 답하거나 지시를 따르도록 학습시킨 적이 없어서, 대화용으로 쓰면 엉뚱한 글이 나옵니다.

이어 쓴 글은 문장으로는 그럴듯하지만 내용은 자주 틀립니다. 아래는 실제 출력입니다(temperature 0.8, top-k 50). 굵은 부분이 입력입니다.

대한민국의 수도 서울은 세계 4대 문명 발상지이자 최대 도시이자 민주주의의 중심지로 알려져 있다. 그만큼 서울의 역사도 오래되었는데, 1905년 1월 4일 일본 제국이 서울에 신사·불각과 함께 …

The capital city of France is Cannes, a city of the seas. And now, in Cannes, in this particular place, I'm going to speak about the culture of the city. …

김치는 한국의 전통 음식으로, 다양한 재료를 사용해 김치를 담그는 문화와 식문화를 경험해 볼 수 있습니다. Q: 김치는 어떤 재료로 만들어지나요? A: 김치는 다양한 재료를 사용하여 만들어집니다. 주로 고춧가루, 마늘, 생강 등이 사용되며 …

사실 확인이 필요한 용도에는 쓰면 안 됩니다. 학습 데이터가 웹 문서라 편향되거나 부적절한 내용이 나올 수 있습니다.

사용법

모델 코드가 저장소에 들어 있어서 trust_remote_code=True가 필요합니다.

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "prismdata/Perdix-1.1B-Base"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(
    repo, trust_remote_code=True, dtype=torch.bfloat16).to("cuda").eval()

ids = tok("대한민국의 수도 서울은", return_tensors="pt").input_ids.to("cuda")
out = model.generate(ids, max_new_tokens=100, do_sample=True, temperature=0.8, top_k=50)
print(tok.decode(out[0], skip_special_tokens=True))

알아 둘 점이 있습니다.

문맥 길이는 2,048토큰입니다.
KV 캐시를 구현하지 않아 생성할 때마다 전체 시퀀스를 다시 계산합니다. 길게 생성하면 느립니다.
패딩 마스크가 없습니다. attention_mask는 무시되므로, 길이가 다른 문장을 패딩해서 한 배치로 생성하면 결과가 틀어집니다. 한 문장씩 넣으세요.

모델

항목	값
파라미터	1,107M
구조	decoder-only, pre-RMSNorm, RoPE, 입출력 임베딩 공유
층 / 차원 / 헤드	20 / 2048 / 16
FFN 차원	8192
문맥 길이	2,048
어휘	49,152 (BPE)
가중치 형식	float32 safetensors

일반 트랜스포머와 다른 점은 두 가지입니다.

Differential Attention. 어텐션 맵을 두 개 만들어 하나에서 다른 하나를 뺍니다. 양쪽에 공통으로 끼는 잡음을 상쇄하려는 아이디어입니다.
PolyNorm. 활성 함수 자리에 x, x², x³을 각각 정규화해서 학습되는 가중치로 섞어 씁니다.

둘 다 제가 고안한 게 아니고 Motif-2.6B 기술보고서(arXiv:2508.09148)와 Differential Transformer(Ye et al., 2024)를 읽고 직접 구현해 본 것입니다. 원 저자들과는 관계없는 개인 구현이라, 틀린 부분이 있다면 제 실수입니다.

학습

데이터: 30B 토큰. 영어 웹(DCLM-baseline, CC-BY-4.0), 한국어 웹(FineWeb2 kor_Hang, ODC-By), 수학(FineMath 4+, ODC-By)
- 실제로 쓴 parquet 파일(335개, 178GB)은 prismdata/Perdix-Pretrain-Data에 그대로 올려 두었습니다.
믹싱: 영어 65% / 한국어 30% / 수학 5%에서 시작해 25% / 50% / 25%로 서서히 바꿨습니다.
학습률: 최고 3e-4. 1B 토큰 워밍업 뒤 유지하다 마지막 20% 구간에서 최고값의 25%까지 내렸습니다.
배치: 스텝당 약 1M 토큰, 시퀀스 길이 2,048, bf16
결과: loss 10.7 → 2.3 근처
장비: DGX Spark 한 대

학습 코드는 github.com/theprismdata/Perdix에 있습니다.

라이선스

Apache-2.0. 학습 데이터의 출처와 라이선스는 위에 적었습니다.