Update README.md
Browse files
README.md
CHANGED
|
@@ -1,9 +1,221 @@
|
|
| 1 |
---
|
| 2 |
-
license: apache-2.0
|
| 3 |
-
datasets:
|
| 4 |
-
- Den4ikAI/russian_dialogues_2
|
| 5 |
language:
|
| 6 |
- ru
|
| 7 |
-
|
| 8 |
-
|
| 9 |
-
--
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
---
|
|
|
|
|
|
|
|
|
|
| 2 |
language:
|
| 3 |
- ru
|
| 4 |
+
license: apache-2.0
|
| 5 |
+
tags:
|
| 6 |
+
- text-generation
|
| 7 |
+
- russian
|
| 8 |
+
- tiny
|
| 9 |
+
- from-scratch
|
| 10 |
+
- educational
|
| 11 |
+
- llama
|
| 12 |
+
- gguf
|
| 13 |
+
- conversational
|
| 14 |
+
- cpu-trained
|
| 15 |
+
- xeon
|
| 16 |
+
metrics:
|
| 17 |
+
- loss
|
| 18 |
+
pipeline_tag: text-generation
|
| 19 |
+
---
|
| 20 |
+
|
| 21 |
+
# I.good V1.1 — 4.5M параметров, обученная на Xeon
|
| 22 |
+
|
| 23 |
+
**I.good V1.1** — крошечная (4.5M параметров) Llama-совместимая языковая модель, обученная **с нуля** на русских диалогах. Не fine-tune, не LoRA, не distillation — полный пайплайн от `.txt` до `.gguf`, на серверном CPU без GPU.
|
| 24 |
+
|
| 25 |
+
Модель создана **не** для того, чтобы конкурировать с Qwen, Llama или Mistral. Она создана, чтобы **показать**: обучение LLM с нуля возможно без GPU. И чтобы честно продемонстрировать, **как** это выглядит в реальности — со всеми успехами, провалами и компромиссами.
|
| 26 |
+
|
| 27 |
+
---
|
| 28 |
+
|
| 29 |
+
## 🏗️ Архитектура
|
| 30 |
+
|
| 31 |
+
| Параметр | Значение |
|
| 32 |
+
|---|---|
|
| 33 |
+
| **Параметров** | 4,522,624 |
|
| 34 |
+
| **Слоёв (n_layer)** | 2 |
|
| 35 |
+
| **Голов внимания (n_head)** | 4 |
|
| 36 |
+
| **Размер hidden** | 128 |
|
| 37 |
+
| **Размер MLP** | 384 |
|
| 38 |
+
| **Контекст** | 512 токенов |
|
| 39 |
+
| **Токенизатор** | BPE, 32 000 токенов |
|
| 40 |
+
| **Позиционное кодирование** | RoPE |
|
| 41 |
+
| **Нормализация** | RMSNorm |
|
| 42 |
+
| **Активация MLP** | SwiGLU |
|
| 43 |
+
| **Attention** | GQA (4 KV-головы) |
|
| 44 |
+
| **Tie word embeddings** | да |
|
| 45 |
+
|
| 46 |
+
Из 4.5M параметров **~4.1M** — это эмбеддинги (словарь 32 000 × hidden 128). На трансформерные слои («думать») остаётся **~400K**. Это ключевое ограничение модели.
|
| 47 |
+
|
| 48 |
+
Для сравнения: **Qwen2.5-0.5B** — 500M параметров, в **110 раз больше**. **Llama 3.2 1B** — в **220 раз больше**.
|
| 49 |
+
|
| 50 |
+
---
|
| 51 |
+
|
| 52 |
+
## 📚 Данные и обучение
|
| 53 |
+
|
| 54 |
+
| Параметр | Значение |
|
| 55 |
+
|---|---|
|
| 56 |
+
| **Данные** | ~10 000 русских диалогов |
|
| 57 |
+
| **Объём** | ~834 000 токенов (~4 МБ текста) |
|
| 58 |
+
| **Формат** | `<\|user\|>...<\|assistant\|>...<\|endoftext\|>` |
|
| 59 |
+
| **Железо** | Intel Xeon, 28 потоков, 3.10 GHz, 32 ГБ ОЗУ, **без GPU** |
|
| 60 |
+
| **Время** | ~45 минут |
|
| 61 |
+
| **Optimizer** | AdamW (β=0.9/0.95, weight_decay=0.1) |
|
| 62 |
+
| **Learning rate** | 5e-4 (cosine decay + warmup) |
|
| 63 |
+
| **Batch size** | 8 |
|
| 64 |
+
| **Gradient accumulation** | 16 |
|
| 65 |
+
| **Train loss (финал)** | ~5.2 |
|
| 66 |
+
| **Val loss (шаг 500)** | 5.70 |
|
| 67 |
+
|
| 68 |
+
### Кривая обучения
|
| 69 |
+
|
| 70 |
+
Loss падает монотонно: **10.41 → 5.20** за ~500 шагов. Без зигзагов и взрывов градиента — гиперпараметры подобраны правильно, модель училась стабильно.
|
| 71 |
+
|
| 72 |
+
---
|
| 73 |
+
|
| 74 |
+
## 🚀 Быстрый старт
|
| 75 |
+
|
| 76 |
+
### GGUF → KoboldCPP
|
| 77 |
+
|
| 78 |
+
1. Скачай `model.gguf` из вкладки **Files and versions**
|
| 79 |
+
2. Запусти `koboldcpp.exe`
|
| 80 |
+
3. **Browse** → `model.gguf`
|
| 81 |
+
4. **Context Size:** 512
|
| 82 |
+
5. **GPU Layers:** 0 (модель крошечная, CPU справится)
|
| 83 |
+
6. **Temperature:** 0.3
|
| 84 |
+
7. **Repetition Penalty:** 1.5 (обязательно)
|
| 85 |
+
8. **Top K:** 40 · **Top P:** 0.9
|
| 86 |
+
9. **Launch**
|
| 87 |
+
|
| 88 |
+
### GGUF → Ollama
|
| 89 |
+
|
| 90 |
+
Создай `Modelfile`:
|
| 91 |
+
|
| 92 |
+
```dockerfile
|
| 93 |
+
FROM ./model.gguf
|
| 94 |
+
PARAMETER temperature 0.3
|
| 95 |
+
PARAMETER repeat_penalty 1.5
|
| 96 |
+
PARAMETER top_k 40
|
| 97 |
+
PARAMETER top_p 0.9
|
| 98 |
+
PARAMETER num_ctx 512
|
| 99 |
+
Затем:
|
| 100 |
+
|
| 101 |
+
bash
|
| 102 |
+
ollama create i-good-1.1 -f Modelfile
|
| 103 |
+
ollama run i-good-1.1
|
| 104 |
+
Формат промпта
|
| 105 |
+
Модель обучена на специальных токенах — используй их буквально:
|
| 106 |
+
|
| 107 |
+
text
|
| 108 |
+
<|user|>Привет, как дела?<|assistant|>
|
| 109 |
+
Без <|user|> и <|assistant|> модель не поймёт, что от неё хотят — она видела этот формат 10 000 раз во время обучения.
|
| 110 |
+
|
| 111 |
+
🎭 Что модель выдаёт в реальности
|
| 112 |
+
Пример 1 (типичный):
|
| 113 |
+
|
| 114 |
+
text
|
| 115 |
+
Промпт: <|user|>Привет, как дела?<|assistant|>
|
| 116 |
+
|
| 117 |
+
Вывод:
|
| 118 |
+
<|assistant|>Коден<|user|>Это, а я всегда и не тоже очень и я думаю,
|
| 119 |
+
как-за этом время? Но даже.
|
| 120 |
+
<|assistant|>Не бы, я тоже не будет. В этом?
|
| 121 |
+
<|user|>А что они кто он не знаю что в этом надо так же... ну и всё,
|
| 122 |
+
но за ними такой, ты он же, не же, которые в России, то еще не помню...
|
| 123 |
+
Разбор:
|
| 124 |
+
|
| 125 |
+
✅ Русские слова настоящие — «Коден», «время», «России», «помню» — не байтовый мусор
|
| 126 |
+
|
| 127 |
+
✅ Формат соблюдён — <|user|> и <|assistant|> на месте
|
| 128 |
+
|
| 129 |
+
✅ Попытки вопросов — «В этом?», «как-за этом время?»
|
| 130 |
+
|
| 131 |
+
⚠️ Грамматика плавает — окончания не согласованы
|
| 132 |
+
|
| 133 |
+
❌ Контекст теряется через 2 реплики
|
| 134 |
+
|
| 135 |
+
⚠️ Переобучение заметно — местами цитирует датасет дословно
|
| 136 |
+
|
| 137 |
+
Пример 2 (хороший день):
|
| 138 |
+
|
| 139 |
+
text
|
| 140 |
+
Промпт: <|user|>Как тебя зовут?<|assistant|>
|
| 141 |
+
Вывод: Меня зовут Андрей, а тебя?
|
| 142 |
+
Пример 3 (режим отказа):
|
| 143 |
+
|
| 144 |
+
text
|
| 145 |
+
Промпт: <|user|>Что делаешь?<|assistant|>
|
| 146 |
+
Вывод: рас, рас, рас, рас...
|
| 147 |
+
Лечится repetition_penalty ≥ 1.5 в KoboldCPP.
|
| 148 |
+
|
| 149 |
+
✅ Что модель иногда умеет
|
| 150 |
+
Выдавать русские слова (не «Ñаз»)
|
| 151 |
+
|
| 152 |
+
Строить короткие фразы (3–8 слов)
|
| 153 |
+
|
| 154 |
+
Соблюдать формат <|user|> → <|assistant|> (через раз)
|
| 155 |
+
|
| 156 |
+
Пытаться отвечать на реплики
|
| 157 |
+
|
| 158 |
+
Задавать встречные вопросы
|
| 159 |
+
|
| 160 |
+
Использовать слова из датасета (не выдумывать новые)
|
| 161 |
+
|
| 162 |
+
❌ Чего модель НЕ умеет
|
| 163 |
+
Держать контекст дольше 2–3 реплик
|
| 164 |
+
|
| 165 |
+
Следовать инструкциям («напиши код», «переведи», «объясни»)
|
| 166 |
+
|
| 167 |
+
Генерировать код (Python, C++, HTML) — для этого нужна модель 50M+
|
| 168 |
+
|
| 169 |
+
Заканчивать длинные предложения — обрывается на полуслове
|
| 170 |
+
|
| 171 |
+
Быть последовательной — противоречит себе в соседних фразах
|
| 172 |
+
|
| 173 |
+
Отвечать на сложные вопросы — «кто президент?», «что такое любовь?»
|
| 174 |
+
|
| 175 |
+
Работать без repetition_penalty — зацикливается
|
| 176 |
+
|
| 177 |
+
🧐 Почему модель переобучена
|
| 178 |
+
Это честный раздел — переобучение ключевая проблема I.good V1.1.
|
| 179 |
+
|
| 180 |
+
Причины:
|
| 181 |
+
|
| 182 |
+
Эмбеддинги съедают 91% весов. Из 4.5M параметров 4.1M — эмбеддинги. На «думать» остаётся ~400K — мозг размером с грецкий орех.
|
| 183 |
+
|
| 184 |
+
10K диалогов — мало. Для 4.5M модели нужно минимум 50K, лучше 500K.
|
| 185 |
+
|
| 186 |
+
Не было dropout. В этой версии не использовался dropout — главный инструмент против переобучения. Это была ошибка.
|
| 187 |
+
|
| 188 |
+
Остановка без val loss. Модель не дошла до валидации, поэтому неизвестно, где была оптимальная точка — вероятно, раньше 500-го шага.
|
| 189 |
+
|
| 190 |
+
Что будет в V2:
|
| 191 |
+
|
| 192 |
+
15M параметров (в 3.3× больше)
|
| 193 |
+
|
| 194 |
+
800 МБ данных (в 200× больше)
|
| 195 |
+
|
| 196 |
+
Vocab_size 8192 (эмбеддинги 55% вместо 91%)
|
| 197 |
+
|
| 198 |
+
Dropout 0.1
|
| 199 |
+
|
| 200 |
+
Early stopping по val loss
|
| 201 |
+
|
| 202 |
+
20+ часов обучения
|
| 203 |
+
|
| 204 |
+
🎓 Образовательная ценность
|
| 205 |
+
Эта модель — не продукт, а урок. Вот чему она учит:
|
| 206 |
+
|
| 207 |
+
Loss ≠ качество. 5.2 — низкий loss, но генерация плохая. Loss — средняя ошибка по батчу, а не гарантия осмысленности.
|
| 208 |
+
|
| 209 |
+
Размер имеет значение. 4.5M параметров — слишком мало. Даже идеально обученная модель этого размера не сгенерирует связный текст.
|
| 210 |
+
|
| 211 |
+
Эмбеддинги — ловушка. Большой словарь съедает большую часть параметров у маленьких моделей.
|
| 212 |
+
|
| 213 |
+
CPU — это реально. 45 минут на Xeon — быстро. Без GPU, без Colab, без аренды серверов.
|
| 214 |
+
|
| 215 |
+
Пайплайн работает. От сырых файлов до GGUF в KoboldCPP — весь путь пройден, модель запускается и генерирует.
|
| 216 |
+
|
| 217 |
+
🛠️ Воспроизведение
|
| 218 |
+
Полный код обучения доступен по запросу. Стек: torch, tokenizers, transformers, safetensors, llama.cpp для конвертации. Модель обучалась на Python 3.14 (да, это было больно).
|
| 219 |
+
|
| 220 |
+
📜 Лицензия
|
| 221 |
+
Apache 2.0 — делай что хочешь, но не жди чудес.
|