Text Generation
GGUF
Russian
English
code
html
css
javascript
tiny
from-scratch
educational
llama
cpu-trained
xeon
Instructions to use MatUserMTV/I.Good-1.2-coder with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Notebooks
- Google Colab
- Kaggle
- Local Apps Settings
- llama.cpp
How to use MatUserMTV/I.Good-1.2-coder with llama.cpp:
Install (macOS, Linux)
curl -LsSf https://llama.app/install.sh | sh # Start a local OpenAI-compatible server with a web UI: llama serve -hf MatUserMTV/I.Good-1.2-coder # Run inference directly in the terminal: llama cli -hf MatUserMTV/I.Good-1.2-coder
Install from WinGet (Windows)
winget install llama.cpp # Start a local OpenAI-compatible server with a web UI: llama serve -hf MatUserMTV/I.Good-1.2-coder # Run inference directly in the terminal: llama cli -hf MatUserMTV/I.Good-1.2-coder
Build from source code
git clone https://github.com/ggml-org/llama.cpp.git cd llama.cpp cmake -B build cmake --build build -j --target llama-app # Start a local OpenAI-compatible server with a web UI: ./build/bin/llama serve -hf MatUserMTV/I.Good-1.2-coder # Run inference directly in the terminal: ./build/bin/llama cli -hf MatUserMTV/I.Good-1.2-coder
Use Docker
docker model run hf.co/MatUserMTV/I.Good-1.2-coder
- Llama new
- LM Studio
- Jan
- vLLM
How to use MatUserMTV/I.Good-1.2-coder with vLLM:
Install from pip and serve model
# Install vLLM from pip: pip install vllm # Start the vLLM server: vllm serve "MatUserMTV/I.Good-1.2-coder" # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:8000/v1/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "MatUserMTV/I.Good-1.2-coder", "prompt": "Once upon a time,", "max_tokens": 512, "temperature": 0.5 }'Use Docker
docker model run hf.co/MatUserMTV/I.Good-1.2-coder
- Ollama
How to use MatUserMTV/I.Good-1.2-coder with Ollama:
ollama run hf.co/MatUserMTV/I.Good-1.2-coder
- Unsloth Desktop
- Docker Model Runner
How to use MatUserMTV/I.Good-1.2-coder with Docker Model Runner:
docker model run hf.co/MatUserMTV/I.Good-1.2-coder
- Lemonade
How to use MatUserMTV/I.Good-1.2-coder with Lemonade:
Pull the model
# Download Lemonade from https://lemonade-server.ai/ lemonade pull MatUserMTV/I.Good-1.2-coder
Run and chat with the model
lemonade run user.I.Good-1.2-coder-{{QUANT_TAG}}List all available models
lemonade list
- Atomic Chat
File size: 4,122 Bytes
8a1b96f ece1f1b c9ebe2f ece1f1b c9ebe2f 8a1b96f c9ebe2f 8a1b96f c9ebe2f 8a1b96f c9ebe2f 8a1b96f | 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 |
---
language:
- ru
- en
license: apache-2.0
tags:
- text-generation
- code
- html
- css
- javascript
- tiny
- from-scratch
- educational
- llama
- gguf
- cpu-trained
- xeon
metrics:
- loss
pipeline_tag: text-generation
---
# I.Good 1.2 Coder — 8.9M параметров, обученная на HTML/JS
**I.Good 1.2 Coder** — это специализированная версия моей серии I.Good, обученная **с нуля** исключительно на HTML-коде, CSS и JavaScript.
Это не ChatGPT и не Copilot. Это **8.9M параметров**, которые знают все HTML-теги наизусть, но понятия не имеют, что такое человеческий язык. Модель обучалась на серверном процессоре **Intel Xeon** без использования видеокарт.
## 🎭 Примеры генерации (Честно)
**Запрос:** `<|user|> напиши кнопку "я тут"<|assistant|>`
**Ответ модели:**
```html
</p>
<label>
<span>
<input type="reg src="emarea>
<label><input type="time="Сырой HTML</p>Стки не отлинарный текту:</label>
<input type="Содержимое</p>
<span itemprop="Пеблямогресладка: <label="Кон:</p>
```
*Да, это бред. Но обратите внимание: она знает теги `<label>`, `<input>`, `<span>` и атрибуты `type="...">`.*
**Запрос:** `<|user|>Напиши HTML страницу с тегами h1, p<|assistant|><!DOCTYPE html><html><body>`
**Ответ модели:**
```html
<h4 class="hint">
<h2>This isFari
<div class="world-modal">
<p>
<h3 id="card">
```
*Здесь видно, что она выучила структуру, помнит классы (`world-modal`, `hint`) и вкладывает теги.*
## 🏗️ Архитектура и обучение
| Параметр | Значение |
|---|---|
| **Параметров** | 8,946,432 |
| **Слоёв (n_layer)** | 6 |
| **Голов внимания** | 8 |
| **Размер hidden** | 320 |
| **Контекст** | 512 токенов |
| **Токенизатор** | BPE, 4096 токенов |
| **Train Loss (финал)** | **0.86** |
| **Железо** | Intel Xeon E5-2690 v4 (без GPU) |
| **Время** | ~1 час |
| **Данные** | 400 КБ чистого HTML + 86 КБ JS (Tycoon) |
## 🧠 Почему она так делает? (Catastrophic Forgetting)
В процессе обучения модель столкнулась с двумя датасетами:
1. **Чистый HTML** (400 КБ) — простые страницы с `<div>`, `<h1>`, `<p>`.
2. **AI Tycoon** (86 КБ) — сложный JS-код с регулярными выражениями (regex) и математикой.
Из-за того, что модель **слишком маленькая** (8.9M), она не смогла разделить эти два домена. В результате:
* Если вы просите HTML — она выдает теги, но часто забывает их закрыть.
* Если вы просите JS — она выдает куски регулярных выражений (regex) из Tycoon.
* **Loss 0.86** означает, что модель почти зазубрила датасет, но из-за нехватки параметров путается в логике.
## 🛠️ Как использовать (KoboldCPP)
Из-за того, что модель обучена на специфическом формате, **важно использовать "затравку" (priming)**:
1. Скачайте `model.gguf`.
2. Запустите в KoboldCPP.
3. **Context Size:** 512
4. **Temperature:** 0.1 – 0.2 (чтобы код был строгим).
5. **Stop Sequences:** `<|user|>`, `<|endoftext|>`
6. **Промпт для теста:**
```text
<|user|>Напиши HTML страницу с тегами h1, p<|assistant|><!DOCTYPE html><html><body>
``` |