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
|
Download README.md from MatUserMTV/I.Good-1.2-coder: direct link, hf CLI and curl.
- Browser
- Download file 4.12 kB
-
https://huggingface.co/MatUserMTV/I.Good-1.2-coder/resolve/main/README.md
- Command line
-
hf download hf://MatUserMTV/I.Good-1.2-coder/README.md
-
curl -L -o README.md https://huggingface.co/MatUserMTV/I.Good-1.2-coder/resolve/main/README.md
4.12 kB
| 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> | |
| ``` |