I.Good-1.2 / README.md
MatUserMTV's picture
Update README.md
3663e38 verified
|
Raw History Blame Contribute Delete
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|>