I.Good-1.2 / README.md
MatUserMTV's picture
Update README.md
3663e38 verified
|
Raw History Blame Contribute Delete
4.37 kB
metadata
language:
  - ru
license: apache-2.0
tags:
  - text-generation
  - russian
  - tiny
  - from-scratch
  - educational
  - llama
  - gguf
  - conversational
  - cpu-trained
  - xeon
metrics:
  - loss
pipeline_tag: text-generation
base_model:
  - MatUserMTV/I.Good-1.2

I.good V1.2 — 10M параметров, обученная на Xeon

I.good V1.2 — это вторая итерация моей собственной серии языковых моделей. Крошечная (10.2M параметров) Llama-совместимая модель, обученная с нуля на русских диалогах.

Это не файнтюн Qwen и не LoRA на Llama. Это полностью самописный пайплайн: от сбора .jsonl и обучения BPE-токенизатора до конвертации в GGUF. Всё обучение проходило на серверном процессоре Intel Xeon без использования видеокарт.

🆚 Прогресс по сравнению с V1.1

Первая версия (V1.1, 4.5M) выдавала «Коден... Яндекс!». Эта версия (V1.2, 10.2M) уже строит связные русские предложения:

<|user|>привет<|assistant|> «Да ладно, я тоже хочу вас поздравить! :D»

🏗️ Архитектура

Параметр Значение
Параметров 10,244,160
Слоёв (n_layer) 6
Голов внимания 8
Размер hidden 320
Размер MLP 896
Контекст 384 токена
Токенизатор BPE, 8192 токена
Эмбеддинги 25.6% от всех весов

Благодаря уменьшению словаря (с 32k до 8k) и увеличению hidden_size, эмбеддинги больше не съедают 91% параметров. Основной вес теперь приходится на трансформерные слои, отвечающие за «мышление».

📚 Данные и обучение

  • Данные: 918 МБ русских диалогов (в токенах: 163,786,032).
  • Формат: <|user|>...<|assistant|>...<|endoftext|>.
  • Железо: Intel Xeon E5-2690 v4 (28 потоков, 3.10 GHz), без GPU.
  • Время: Ровно 3 часа.
  • Train Loss (финал): ~3.74
  • Val Loss (финал): 3.7029

🎭 Примеры генерации (Честно)

Хороший день:

<|user|>привет<|assistant|>
Да ладно, я тоже хочу вас поздравить! :D
Плохой день (когда модель не знает ответа):

text
<|user|>ты чё<|assistant|>
^<|user|>Я неожиданно-красный ͡° ͜ה ͜עʖחעʖ ^^_^
⚠️ Ограничения (Почему она иногда пишет на иврите?)
10M параметров — это всё ещё крошечный размер для полноценного диалога. У модели есть несколько «детских болезней»:

Память золотой рыбки. Контекст 384 токена. Она забывает твой вопрос через 2 предложения.

Галлюцинации байтов. Если вы зададите вопрос, на который в датасете не было ответа (например, «ты прикольный»), вероятность всех русских слов упадет, и она выдаст случайные байты (иврит, иероглифы).

Путаница ролей. Она часто пишет тег <|user|> в своих ответах, потому что не понимает, что она — ассистент, и пытается продолжить диалог за вас.

🛠️ Как использовать
Скачайте model.gguf.

Запустите в KoboldCPP (Context 512).

Обязательно добавьте <|user|> в Stop Sequences.

Настройки: Temperature 0.1 – 0.3, Repetition Penalty 1.2.

Промпт: <|user|>Привет, как дела?<|assistant|>