Text Generation
GGUF
Russian
russian
tiny
from-scratch
educational
llama
conversational
cpu-trained
xeon
Instructions to use MatUserMTV/I.Good-1.2 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 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 # Run inference directly in the terminal: llama cli -hf MatUserMTV/I.Good-1.2
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 # Run inference directly in the terminal: llama cli -hf MatUserMTV/I.Good-1.2
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 # Run inference directly in the terminal: ./build/bin/llama cli -hf MatUserMTV/I.Good-1.2
Use Docker
docker model run hf.co/MatUserMTV/I.Good-1.2
- Llama new
- LM Studio
- Jan
- vLLM
How to use MatUserMTV/I.Good-1.2 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" # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:8000/v1/chat/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "MatUserMTV/I.Good-1.2", "messages": [ { "role": "user", "content": "What is the capital of France?" } ] }'Use Docker
docker model run hf.co/MatUserMTV/I.Good-1.2
- Ollama
How to use MatUserMTV/I.Good-1.2 with Ollama:
ollama run hf.co/MatUserMTV/I.Good-1.2
- Unsloth Desktop
- Docker Model Runner
How to use MatUserMTV/I.Good-1.2 with Docker Model Runner:
docker model run hf.co/MatUserMTV/I.Good-1.2
- Lemonade
How to use MatUserMTV/I.Good-1.2 with Lemonade:
Pull the model
# Download Lemonade from https://lemonade-server.ai/ lemonade pull MatUserMTV/I.Good-1.2
Run and chat with the model
lemonade run user.I.Good-1.2-{{QUANT_TAG}}List all available models
lemonade list
- Atomic Chat
|
Download README.md from MatUserMTV/I.Good-1.2: direct link, hf CLI and curl.
- Browser
- Download file 4.37 kB
-
https://huggingface.co/MatUserMTV/I.Good-1.2/resolve/main/README.md
- Command line
-
hf download hf://MatUserMTV/I.Good-1.2/README.md
-
curl -L -o README.md https://huggingface.co/MatUserMTV/I.Good-1.2/resolve/main/README.md
4.37 kB
| 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:** | |
| ```text | |
| <|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|> |