Update beautiful v2 Model Card

README.md

@@ -1,23 +1,149 @@
 ---
+language:
+- ru
+- en
+license: apache-2.0
+base_model: unsloth/Ministral-3-3B-Instruct-2512-bnb-4bit
 tags:
+- reasoning
+- r1
+- deepseek-r1
+- ministral
 - gguf
-- llama.cpp
-- unsloth
-- vision-language-model
+- cot
+- chain-of-thought
+- russian
+- code
+- math
+pipeline_tag: text-generation
 ---
 
-# Fwizzer-R1-3B-RU-v2 : GGUF
+<div align="center">
 
-This model was finetuned and converted to GGUF format using [Unsloth](https://github.com/unslothai/unsloth).
+# 🧠 Fwizzer-R1-3B-RU-v2
+### Новое поколение компактного русскоязычного рассуждающего ИИ (Reasoning AI)
 
-**Example usage**:
-- For text only LLMs:    `llama-cli -hf fwizzer1/Fwizzer-R1-3B-RU-v2 --jinja`
-- For multimodal models: `llama-mtmd-cli -hf fwizzer1/Fwizzer-R1-3B-RU-v2 --jinja`
+[![Hugging Face](https://img.shields.io/badge/%F0%9F%A4%97%20Hugging%20Face-fwizzer1-blue)](https://huggingface.co/fwizzer1/Fwizzer-R1-3B-RU-v2)
+[![Base Model](https://img.shields.io/badge/Base-Ministral--3B-orange)](https://huggingface.co/mistralai/Ministral-3-3B-Instruct-2512)
+[![Dataset](https://img.shields.io/badge/Dataset-ru--deepthink--mega-green)](https://huggingface.co/datasets/fwizzer1/ru-deepthink-mega)
+[![GGUF Available](https://img.shields.io/badge/GGUF-Q4__K__M%20%7C%20Q5__K__M%20%7C%20Q8__0-purple)](#-доступные-gguf-кванты)
+[![License](https://img.shields.io/badge/License-Apache%202.0-yellow)](LICENSE)
 
-## Available Model files:
-- `Ministral-3-3B-Instruct-2512.Q8_0.gguf`
-- `Ministral-3-3B-Instruct-2512.Q5_K_M.gguf`
-- `Ministral-3-3B-Instruct-2512.Q4_K_M.gguf`
-- `Ministral-3-3B-Instruct-2512.F16-mmproj.gguf`
-This was trained 2x faster with [Unsloth](https://github.com/unslothai/unsloth)
-[<img src="https://raw.githubusercontent.com/unslothai/unsloth/main/images/unsloth%20made%20with%20love.png" width="200"/>](https://github.com/unslothai/unsloth)
+<p align="center">
+  <b>Fwizzer-R1-3B-RU-v2</b> — это глубоко дообученная версия модели Ministral 3B с архитектурой принудительного мышления <code>&lt;think&gt;...&lt;/think&gt;</code> в стиле DeepSeek-R1 / OpenAI o1. Модель специально натренирована решать сложные алгоритмические, математические, логические и инженерные задачи на чистом русском языке.
+</p>
+
+</div>
+
+---
+
+## 🚀 Почему версия v2 в разы сильнее v1?
+
+| Параметр | Fwizzer-R1 v1 | 🔥 Fwizzer-R1-3B-RU-v2 | Прирост / Улучшение |
+| :--- | :---: | :---: | :---: |
+| **Обучающий датасет** | ~5 000 примеров | **17 281 примеров** ([ru-deepthink-mega](https://huggingface.co/datasets/fwizzer1/ru-deepthink-mega)) | **+246% объёма данных** |
+| **Длина рассуждений** | 512 токенов | **3 072 токена** | **Глубокий анализ сложных цепочек** |
+| **Гарантия тегов `<think>`** | ~40% (часто пропускала) | **100% в стоке** (зашито в Chat Template) | **Всегда думает перед ответом** |
+| **Шаги дообучения (Steps)** | 600 шагов | **3 300 шагов (1.53 полные эпохи)** | **Высочайшая сходимость весов** |
+| **Самопроверка гипотез** | Базовая | **Продвинутая (Edge Cases, поиск ошибок)** | **Минимум галлюцинаций** |
+| **Готовые GGUF-кванты** | 1 квант | **3 отборных кванта (Speed, Balanced, Max)** | **Под любое железо** |
+
+---
+
+## 💎 Доступные GGUF-кванты для LM Studio и Ollama
+
+Все кванты уже собраны, сконвертированы через llama.cpp и лежат прямо в корне репозитория:
+
+| Файл | Квантование | Размер | Требуемый VRAM | Назначение |
+| :--- | :---: | :---: | :---: | :--- |
+| ⚡ **`Fwizzer-R1-3B-v2Speed.gguf`** | `Q4_K_M` | **2.15 ГБ** | ~3.0–3.5 ГБ | **Максимальный FPS генерации.** Летает даже на слабых ноутбуках (RTX 3050, 1650, встроенная графика). |
+| ⚖️ **`Fwizzer-R1-3B-v2Balanced.gguf`** | `Q5_K_M` | **2.47 ГБ** | ~3.5–4.0 ГБ | **Золотая середина.** Идеальный баланс между точностью логики и высокой скоростью. |
+| 🎯 **`Fwizzer-R1-3B-v2Max.gguf`** | `Q8_0` | **3.65 ГБ** | ~5.0–6.0 ГБ | **Бескомпромиссная точность.** Практически 100% сохранение качества оригинальных 16-битных весов. |
+
+---
+
+## 🛠 Быстрый запуск в LM Studio
+
+1. Скачайте желаемый `.gguf` файл (например, `Fwizzer-R1-3B-v2Balanced.gguf`) и файл пресета `Fwizzer-R1.preset.json`.
+2. Поместите их в папку моделей:
+   ```
+   C:\Users\<Ваш_Пользователь>\.lmstudio\models\fwizzer\fwizzer-r1-3b-v2-balanced\
+   ├── Fwizzer-R1-3B-v2Balanced.gguf
+   └── Fwizzer-R1.preset.json
+   ```
+3. Запустите **LM Studio**, выберите модель в верхнем меню.
+4. Пресет автоматически применит стоп-токены и системный промпт для принудительного включения рассуждений `<think>`.
+
+---
+
+## 🦙 Запуск через Ollama
+
+Создайте файл `Modelfile`:
+```dockerfile
+FROM ./Fwizzer-R1-3B-v2Balanced.gguf
+
+TEMPLATE """[INST] Ты думающая нейросеть а зовут тебя Fwizzer-R1-3B-RU. Весь ход мыслей и шаги пиши внутри тегов <think>(напиши сначала) и </think>(напиши по окончанию рассуждений), а итоговый ответ — обязательно после них.
+
+{{ .Prompt }} [/INST]
+<think>
+"""
+
+PARAMETER stop "[/INST]"
+PARAMETER stop "</s>"
+PARAMETER stop "<ctrl42>call:default_api:run_command"
+PARAMETER temperature 0.6
+PARAMETER top_p 0.95
+```
+
+Затем соберите и запустите:
+```bash
+ollama create fwizzer-r1-v2 -f Modelfile
+ollama run fwizzer-r1-v2
+```
+
+---
+
+## 🐍 Использование через Hugging Face Transformers
+
+```python
+import torch
+from transformers import AutoModelForCausalLM, AutoTokenizer
+from peft import PeftModel
+
+base_model_name = "unsloth/Ministral-3-3B-Instruct-2512-bnb-4bit"
+adapter_repo = "fwizzer1/Fwizzer-R1-3B-RU-v2"
+
+tokenizer = AutoTokenizer.from_pretrained(adapter_repo)
+model = AutoModelForCausalLM.from_pretrained(
+    base_model_name,
+    torch_dtype=torch.float16,
+    device_map="auto"
+)
+model = PeftModel.from_pretrained(model, adapter_repo)
+
+messages = [
+    {"role": "user", "content": "Объясни парадокс Монти Холла и почему выгодно менять дверь?"}
+]
+
+prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
+inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
+
+outputs = model.generate(**inputs, max_new_tokens=2048, temperature=0.6)
+print(tokenizer.decode(outputs[0], skip_special_tokens=True))
+```
+
+---
+
+## 🔬 Архитектура и методология обучения
+
+- **Базовая модель:** [unsloth/Ministral-3-3B-Instruct-2512-bnb-4bit](https://huggingface.co/unsloth/Ministral-3-3B-Instruct-2512-bnb-4bit) (сильнейшая база в категории до 4B параметров с окном внимания 128k).
+- **Метод обучения:** QLoRA (Rank 16, Alpha 16) с градиентным чекпоинтингом Unsloth по всем линейным проекциям (`q, k, v, o, gate, up, down`).
+- **Датасет:** [fwizzer1/ru-deepthink-mega](https://huggingface.co/datasets/fwizzer1/ru-deepthink-mega) — 17 281 сложнейших задач по олимпиадному программированию, математике, системной архитектуре и физике.
+- **Оборудование:** 2x Tesla T4 GPU (Kaggle Cloud Accelerator), суммарно более 12 часов непрерывного обучения.
+- **Длина контекста при тренировке:** 3 072 токена.
+
+---
+
+<div align="center">
+  <sub>Создано и обучено с любовью исследовательской командой <b>Fwizzer AI</b>. 2026.</sub>
+</div>