JiRackDeltaNet_70b / JiRackDeltaNet_70b.py
kgrabko's picture
Model code: no base version in descriptions
b7bc653 verified
Raw History Blame Contribute Delete
37.2 kB
"""
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)}")