{"id":500025,"date":"2026-10-23T17:35:48","date_gmt":"2026-10-23T14:35:48","guid":{"rendered":"https:\/\/savepearlharbor.com\/?p=500025"},"modified":"2026-10-23T17:35:48","modified_gmt":"2026-10-23T14:35:48","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=500025","title":{"rendered":"\u041a\u0430\u043a \u044f \u0441\u043e\u0431\u0440\u0430\u043b \u0440\u0443\u0441\u0441\u043a\u043e\u044f\u0437\u044b\u0447\u043d\u0443\u044e GPT \u043d\u0430 112 \u043c\u043b\u043d \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u043e\u0432 \u0441 \u043d\u0443\u043b\u044f \u043d\u0430 PyTorch: \u043f\u0440\u0435\u0442\u0440\u0435\u0439\u043d, SFT, Telegram-\u0431\u043e\u0442"},"content":{"rendered":"
\n
\"\u041f\u0440\u0438\u043c\u0435\u0440\u043d\u0430\u044f<\/p>\n
\u041f\u0440\u0438\u043c\u0435\u0440\u043d\u0430\u044f \u0432\u0438\u0437\u0443\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f \u0434\u0436\u0430\u0440\u0432\u0438\u0441\u0430<\/figcaption><\/div>\n<\/figure>\n

\u041a\u043e\u0433\u0434\u0430 \u0441\u043c\u043e\u0442\u0440\u0438\u0448\u044c \u043d\u0430 \u0441\u043e\u0432\u0440\u0435\u043c\u0435\u043d\u043d\u0443\u044e LLM, \u043b\u0435\u0433\u043a\u043e \u0440\u0435\u0448\u0438\u0442\u044c, \u0447\u0442\u043e \u0432\u0441\u0451 \u0441\u0432\u043e\u0434\u0438\u0442\u0441\u044f \u043a \u0432\u044b\u0437\u043e\u0432\u0443 API. \u041d\u043e \u043c\u043d\u043e\u0433\u0438\u0435 \u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u0447\u0438\u043a\u0438, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0447\u0430\u0441\u0442\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442 LLM \u0432 \u0440\u0430\u0431\u043e\u0442\u0435 \u0438\u043b\u0438 \u0432 \u0441\u0432\u043e\u0438\u0445 \u043f\u0440\u043e\u0435\u043a\u0442\u0430\u0445, \u0440\u0430\u043d\u043e \u0438\u043b\u0438 \u043f\u043e\u0437\u0434\u043d\u043e \u0445\u043e\u0442\u044f\u0442 \u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0440\u0430\u0437\u043e\u0431\u0440\u0430\u0442\u044c\u0441\u044f, \u043a\u0430\u043a \u043e\u043d\u0438 \u0440\u0430\u0431\u043e\u0442\u0430\u044e\u0442. \u041a \u0442\u043e\u043c\u0443 \u0436\u0435 — \u043a\u0442\u043e \u043d\u0435 \u0441\u043c\u043e\u0442\u0440\u0435\u043b \u00ab\u0416\u0435\u043b\u0435\u0437\u043d\u043e\u0433\u043e \u0447\u0435\u043b\u043e\u0432\u0435\u043a\u0430\u00bb? \u041f\u043e \u0441\u0443\u0442\u0438 \u0441\u0430\u043c\u044b\u0439 \u043b\u0443\u0447\u0448\u0438\u0439 \u0441\u043f\u043e\u0441\u043e\u0431 \u0440\u0435\u0430\u043b\u044c\u043d\u043e \u0440\u0430\u0437\u043e\u0431\u0440\u0430\u0442\u044c\u0441\u044f \u044d\u0442\u043e \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u0447\u0442\u043e-\u0442\u043e \u0441\u0432\u043e\u0435. \u0427\u0430\u0449\u0435 \u0432\u0441\u0435\u0433\u043e \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u0438 \u043f\u043e\u0437\u0432\u043e\u043b\u044f\u044e\u0442 \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u0447\u0442\u043e-\u0442\u043e \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u043e\u0435, \u0437\u0430\u0442\u043e \u0441\u0432\u043e\u0435 \u0438 \u0440\u0430\u0431\u043e\u0442\u0430\u044e\u0449\u0435\u0435.<\/p>\n

\u0422\u0430\u043a \u043f\u043e\u044f\u0432\u0438\u043b\u0441\u044f jarvis<\/code> — \u043a\u043e\u043c\u043f\u0430\u043a\u0442\u043d\u044b\u0439 decoder-only transformer \u0434\u043b\u044f \u0440\u0443\u0441\u0441\u043a\u043e\u0433\u043e \u0442\u0435\u043a\u0441\u0442\u0430 \u0438 \u0434\u0438\u0430\u043b\u043e\u0433\u043e\u0432. \u0412 \u043f\u0440\u043e\u0435\u043a\u0442\u0435 \u043d\u0435\u0442 \u0433\u043e\u0442\u043e\u0432\u043e\u0433\u043e AutoModelForCausalLM<\/code>: \u044f \u0441\u0430\u043c \u0440\u0435\u0430\u043b\u0438\u0437\u043e\u0432\u0430\u043b \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0443, \u043e\u0431\u0443\u0447\u0438\u043b \u0442\u043e\u043a\u0435\u043d\u0438\u0437\u0430\u0442\u043e\u0440, \u0441\u043e\u0431\u0440\u0430\u043b \u043f\u0430\u0439\u043f\u043b\u0430\u0439\u043d \u043f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043a\u0438 \u0434\u0430\u043d\u043d\u044b\u0445, \u0434\u043e\u0431\u0430\u0432\u0438\u043b \u043f\u0440\u0435\u0442\u0440\u0435\u0439\u043d \u0438 SFT, KV-cache \u0434\u043b\u044f \u0433\u0435\u043d\u0435\u0440\u0430\u0446\u0438\u0438, \u043a\u043e\u043d\u0441\u043e\u043b\u044c\u043d\u044b\u0439 \u0447\u0430\u0442, Telegram-\u0431\u043e\u0442\u0430 \u0438 \u043f\u0440\u043e\u0441\u0442\u043e\u0439 \u0431\u0435\u043d\u0447\u043c\u0430\u0440\u043a. \u0413\u043e\u0442\u043e\u0432\u044b\u0439 SFT-checkpoint \u0438 \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0443\u044e\u0449\u0438\u0439 \u0442\u043e\u043a\u0435\u043d\u0438\u0437\u0430\u0442\u043e\u0440 \u043e\u043f\u0443\u0431\u043b\u0438\u043a\u043e\u0432\u0430\u043d\u044b \u043d\u0430 Hugging Face.<\/p>\n

\u0427\u0442\u043e \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u043e\u0441\u044c \u0432 \u0438\u0442\u043e\u0433\u0435<\/h3>\n

\u0412\u043e\u0442 \u0441\u043e\u0441\u0442\u0430\u0432 \u043f\u0440\u043e\u0435\u043a\u0442\u0430.<\/p>\n

\n
\n\n\n\n\n\n\n\n\n\n\n
\n

\u0427\u0430\u0441\u0442\u044c<\/p>\n<\/th>\n

\n

\u0427\u0442\u043e \u0435\u0441\u0442\u044c<\/p>\n<\/th>\n<\/tr>\n

\n

\u041c\u043e\u0434\u0435\u043b\u044c<\/p>\n<\/td>\n

\n

14-\u0441\u043b\u043e\u0439\u043d\u044b\u0439 causal Transformer \u0441 RoPE, RMSNorm, SwiGLU \u0438 tied embeddings<\/p>\n<\/td>\n<\/tr>\n

\n

\u0422\u043e\u043a\u0435\u043d\u0438\u0437\u0430\u0442\u043e\u0440<\/p>\n<\/td>\n

\n

\u0421\u043e\u0431\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0439 byte-level BPE \u043d\u0430 16 384 \u0442\u043e\u043a\u0435\u043d\u0430<\/p>\n<\/td>\n<\/tr>\n

\n

\u0414\u0430\u043d\u043d\u044b\u0435<\/p>\n<\/td>\n

\n

\u0420\u0443\u0441\u0441\u043a\u0438\u0439 \u0432\u0435\u0431, \u0441\u0442\u0430\u0442\u044c\u0438 \u0438 \u0434\u0438\u0430\u043b\u043e\u0433\u0438; \u0444\u0438\u043b\u044c\u0442\u0440\u0430\u0446\u0438\u044f, \u043d\u043e\u0440\u043c\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f \u0440\u043e\u043b\u0435\u0439, \u0434\u0435\u0434\u0443\u043f\u043b\u0438\u043a\u0430\u0446\u0438\u044f<\/p>\n<\/td>\n<\/tr>\n

\n

\u041e\u0431\u0443\u0447\u0435\u043d\u0438\u0435<\/p>\n<\/td>\n

\n

Pretrain \u2192 SFT, AMP, DDP, checkpoint\/resume, cosine schedule<\/p>\n<\/td>\n<\/tr>\n

\n

\u0418\u043d\u0444\u0435\u0440\u0435\u043d\u0441<\/p>\n<\/td>\n

\n

KV-cache, temperature, top-k\/top-p, repetition penalty<\/p>\n<\/td>\n<\/tr>\n

\n

\u0418\u043d\u0442\u0435\u0440\u0444\u0435\u0439\u0441\u044b<\/p>\n<\/td>\n

\n

One-shot \u0433\u0435\u043d\u0435\u0440\u0430\u0446\u0438\u044f, \u0442\u0435\u0440\u043c\u0438\u043d\u0430\u043b\u044c\u043d\u044b\u0439 \u0447\u0430\u0442, Telegram-\u0431\u043e\u0442<\/p>\n<\/td>\n<\/tr>\n

\n

\u041f\u0440\u043e\u0432\u0435\u0440\u043a\u0430<\/p>\n<\/td>\n

\n

Smoke test \u043f\u043e\u043b\u043d\u043e\u0433\u043e \u043a\u043e\u043d\u0442\u0443\u0440\u0430 \u0438 BPC-\u0431\u0435\u043d\u0447\u043c\u0430\u0440\u043a<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n

\u0421\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u0430 \u0440\u0435\u043f\u043e\u0437\u0438\u0442\u043e\u0440\u0438\u044f \u0434\u043e\u0432\u043e\u043b\u044c\u043d\u043e \u043f\u0440\u044f\u043c\u043e\u043b\u0438\u043d\u0435\u0439\u043d\u0430:<\/p>\n

model\/                 # RoPE, RMSNorm, attention, \u0431\u043b\u043e\u043a\u0438, Transformerprepare_data.py        # \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u0438\u0435 \u0438 \u043e\u0447\u0438\u0441\u0442\u043a\u0430 \u0434\u0430\u043d\u043d\u044b\u0445train_tokenizer.py     # \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 BPE-\u0442\u043e\u043a\u0435\u043d\u0438\u0437\u0430\u0442\u043e\u0440\u0430tokenize_corpus.py     # \u0431\u0438\u043d\u0430\u0440\u043d\u044b\u0435 token shards \u0438 \u043c\u0430\u0441\u043a\u0438 \u0434\u043b\u044f SFTdataset.py             # streaming dataset \u0447\u0435\u0440\u0435\u0437 numpy.memmaptrain.py               # \u043f\u0440\u0435\u0442\u0440\u0435\u0439\u043d\/SFT, DDPchat.py, generate.py   # \u043b\u043e\u043a\u0430\u043b\u044c\u043d\u044b\u0439 \u0438\u043d\u0444\u0435\u0440\u0435\u043d\u0441bot.py                 # Telegram-\u0431\u043e\u0442tools\/bench_bpc.py     # \u043e\u0446\u0435\u043d\u043a\u0430 BPCselftest.py            # \u0441\u0438\u043d\u0442\u0435\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0439 \u0441\u043a\u0432\u043e\u0437\u043d\u043e\u0439 \u0442\u0435\u0441\u0442<\/code>
<\/span><\/a><\/div><\/pre>\n
\u0414\u0430\u043b\u044c\u0448\u0435 \u0440\u0430\u0437\u0431\u0435\u0440\u0443 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0441\u0432\u043e\u0438\u0445 \u0440\u0435\u0448\u0435\u043d\u0438\u0439.<\/p>\n
\u041c\u043e\u0434\u0435\u043b\u044c<\/h3>\n
\u041e\u0441\u043d\u043e\u0432\u043d\u043e\u0439 \u043f\u0440\u0435\u0441\u0435\u0442 \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u0442\u0430\u043a:<\/p>\n
\n
\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
\n
\u041f\u0430\u0440\u0430\u043c\u0435\u0442\u0440<\/p>\n<\/th>\n
\n
\u0417\u043d\u0430\u0447\u0435\u043d\u0438\u0435<\/p>\n<\/th>\n<\/tr>\n
\n
\u041f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u043e\u0432<\/p>\n<\/td>\n
\n
~111,7 \u043c\u043b\u043d<\/p>\n<\/td>\n<\/tr>\n
\n
\u0410\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430<\/p>\n<\/td>\n
\n
decoder-only autoregressive transformer<\/p>\n<\/td>\n<\/tr>\n
\n
\u0421\u043b\u043e\u0451\u0432<\/p>\n<\/td>\n
\n
14<\/p>\n<\/td>\n<\/tr>\n
\n
Hidden size<\/p>\n<\/td>\n
\n
768<\/p>\n<\/td>\n<\/tr>\n
\n
\u0427\u0438\u0441\u043b\u043e \u0433\u043e\u043b\u043e\u0432<\/p>\n<\/td>\n
\n
12<\/p>\n<\/td>\n<\/tr>\n
\n
\u0420\u0430\u0437\u043c\u0435\u0440 \u0433\u043e\u043b\u043e\u0432\u044b<\/p>\n<\/td>\n
\n
64<\/p>\n<\/td>\n<\/tr>\n
\n
\u0420\u0430\u0437\u043c\u0435\u0440 FFN<\/p>\n<\/td>\n
\n
2 048<\/p>\n<\/td>\n<\/tr>\n
\n
\u041a\u043e\u043d\u0442\u0435\u043a\u0441\u0442<\/p>\n<\/td>\n
\n
768 \u0442\u043e\u043a\u0435\u043d\u043e\u0432<\/p>\n<\/td>\n<\/tr>\n
\n
\u0421\u043b\u043e\u0432\u0430\u0440\u044c<\/p>\n<\/td>\n
\n
16 384 \u0442\u043e\u043a\u0435\u043d\u0430<\/p>\n<\/td>\n<\/tr>\n
\n
\u041f\u043e\u0437\u0438\u0446\u0438\u0438<\/p>\n<\/td>\n
\n
RoPE<\/p>\n<\/td>\n<\/tr>\n
\n
\u041d\u043e\u0440\u043c\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f<\/p>\n<\/td>\n
\n
RMSNorm<\/p>\n<\/td>\n<\/tr>\n
\n
MLP<\/p>\n<\/td>\n
\n
SwiGLU<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n
\u0412\u043d\u0443\u0442\u0440\u0438 \u043d\u0435\u0442 nn.Transformer<\/code>. \u0411\u043b\u043e\u043a \u0441\u043e\u0431\u0440\u0430\u043d \u0438\u0437 \u0434\u0432\u0443\u0445 pre-norm residual-\u0432\u0435\u0442\u043e\u043a:<\/p>\n
class TransformerBlock(nn.Module):    def forward(self, x, cache=None):        attn_out, new_cache = self.attn(self.ln1(x), cache)        x = x + attn_out        x = x + self.ff(self.ln2(x))        return x, new_cache<\/code>
<\/span><\/a><\/div><\/pre>\n
Attention \u0438 RoPE<\/h4>\n
\u0414\u043b\u044f Q, K \u0438 V \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f \u043e\u0434\u043d\u0430 \u043b\u0438\u043d\u0435\u0439\u043d\u0430\u044f \u043f\u0440\u043e\u0435\u043a\u0446\u0438\u044f \u0431\u0435\u0437 bias, \u0437\u0430\u0442\u0435\u043c \u0442\u0435\u043d\u0437\u043e\u0440 \u0440\u0430\u0437\u0431\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u043d\u0430 \u0442\u0440\u0438 \u0447\u0430\u0441\u0442\u0438 \u0438 \u043d\u0430 \u0433\u043e\u043b\u043e\u0432\u044b. RoPE \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u0435\u0442\u0441\u044f \u043a Q \u0438 K, \u0430 \u0441\u043e\u0431\u0441\u0442\u0432\u0435\u043d\u043d\u043e \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0435 \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u044f \u0434\u0435\u043b\u0435\u0433\u0438\u0440\u043e\u0432\u0430\u043d\u043e \u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u043c\u0443 torch.nn.functional.scaled_dot_product_attention<\/code>:<\/p>\n
qkv = self.qkv_proj(x)qkv = qkv.reshape(batch_size, seq_len, 3, self.n_heads, self.head_dim)qkv = qkv.permute(2, 0, 3, 1, 4)q, k, v = qkv[0], qkv[1], qkv[2]q, k = self.rope.rotate(q, k, offset)attn_output = F.scaled_dot_product_attention(    q, k, v,    is_causal=(seq_len == k.shape[2]),    dropout_p=self.dropout if self.training else 0.0,)<\/code>
<\/span><\/a><\/div><\/pre>\n
\u041f\u043e\u0447\u0435\u043c\u0443 \u043d\u0435 \u043d\u0430\u043f\u0438\u0441\u0430\u0442\u044c attention \u0446\u0435\u043b\u0438\u043a\u043e\u043c \u0440\u0443\u043a\u0430\u043c\u0438 \u0447\u0435\u0440\u0435\u0437 \u043c\u0430\u0442\u0440\u0438\u0446\u0443 QK\u1d40<\/code>, \u043c\u0430\u0441\u043a\u0443 \u0438 softmax<\/code>? \u041d\u0430 \u043f\u0435\u0440\u0432\u044b\u0445 \u0448\u0430\u0433\u0430\u0445 \u0442\u0430\u043a \u0438 \u0445\u043e\u0447\u0435\u0442\u0441\u044f \u0441\u0434\u0435\u043b\u0430\u0442\u044c: \u043a\u043e\u0434 \u0431\u0430\u043d\u0430\u043b\u044c\u043d\u043e \u043f\u0440\u043e\u0449\u0435 \u0438 \u043d\u0430\u0433\u043b\u044f\u0434\u043d\u0435\u0435. \u041d\u043e \u0432 \u0440\u0430\u0431\u043e\u0447\u0435\u043c \u043f\u0440\u043e\u0435\u043a\u0442\u0435 \u0432\u044b\u0433\u043e\u0434\u043d\u0435\u0435 \u0441\u043e\u0445\u0440\u0430\u043d\u0438\u0442\u044c \u043f\u0440\u043e\u0437\u0440\u0430\u0447\u043d\u043e\u0441\u0442\u044c \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u044b \u0438 \u043e\u0434\u043d\u043e\u0432\u0440\u0435\u043c\u0435\u043d\u043d\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0445\u043e\u0440\u043e\u0448\u043e \u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u0435 \u044f\u0434\u0440\u043e PyTorch. \u0423 \u043c\u0435\u043d\u044f \u0432\u0441\u0451 \u0435\u0449\u0451 \u0441\u0432\u043e\u0438 QKV-\u043f\u0440\u043e\u0435\u043a\u0446\u0438\u0438, \u0441\u0432\u043e\u0438 RoPE, \u0441\u0432\u043e\u044f \u0440\u0430\u0431\u043e\u0442\u0430 \u0441 cache \u0438 causal-\u043b\u043e\u0433\u0438\u043a\u043e\u0439; \u043d\u0435 \u043f\u0440\u0438\u0445\u043e\u0434\u0438\u0442\u0441\u044f \u043f\u043b\u0430\u0442\u0438\u0442\u044c \u0437\u0430 \u043c\u0435\u0434\u043b\u0435\u043d\u043d\u0443\u044e Python-\u0440\u0435\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044e \u043c\u0430\u0442\u0440\u0438\u0447\u043d\u044b\u0445 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0439.<\/p>\n
RMSNorm, SwiGLU \u0438 tied embeddings<\/h4>\n
\u0412\u043c\u0435\u0441\u0442\u043e LayerNorm \u0437\u0434\u0435\u0441\u044c RMSNorm — \u043d\u043e\u0440\u043c\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f \u043f\u043e \u0441\u0440\u0435\u0434\u043d\u0435\u043c\u0443 \u043a\u0432\u0430\u0434\u0440\u0430\u0442\u0443 \u0431\u0435\u0437 \u0446\u0435\u043d\u0442\u0440\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u044f. MLP — SwiGLU: \u043e\u0434\u0438\u043d \u043b\u0438\u043d\u0435\u0439\u043d\u044b\u0439 \u0441\u043b\u043e\u0439 \u0434\u0430\u0451\u0442 gate, \u0432\u0442\u043e\u0440\u043e\u0439 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f, \u0434\u0430\u043b\u044c\u0448\u0435 \u043e\u043d\u0438 \u043f\u0435\u0440\u0435\u043c\u043d\u043e\u0436\u0430\u044e\u0442\u0441\u044f \u043f\u043e\u0441\u043b\u0435 SiLU<\/code>, \u0430 \u0442\u0440\u0435\u0442\u0438\u0439 \u0441\u043b\u043e\u0439 \u0432\u043e\u0437\u0432\u0440\u0430\u0449\u0430\u0435\u0442 \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c \u043a d_model<\/code>.<\/p>\n
\u0415\u0449\u0451 \u043e\u0434\u043d\u043e \u043f\u043e\u043b\u0435\u0437\u043d\u043e\u0435 \u0440\u0435\u0448\u0435\u043d\u0438\u0435 — \u0441\u0432\u044f\u0437\u0430\u0442\u044c \u0432\u0445\u043e\u0434\u043d\u044b\u0435 \u044d\u043c\u0431\u0435\u0434\u0434\u0438\u043d\u0433\u0438 \u0438 \u0432\u044b\u0445\u043e\u0434\u043d\u0443\u044e \u043f\u0440\u043e\u0435\u043a\u0446\u0438\u044e \u0432 \u0441\u043b\u043e\u0432\u0430\u0440\u044c:<\/p>\n
self.token_embedding = nn.Embedding(cfg.vocab_size, cfg.d_model)self.lm_head = nn.Linear(cfg.d_model, cfg.vocab_size, bias=False)self.lm_head.weight = self.token_embedding.weight<\/code>
<\/span><\/a><\/div><\/pre>\n
\u042d\u0442\u043e \u0441\u043e\u043a\u0440\u0430\u0449\u0430\u0435\u0442 \u0447\u0438\u0441\u043b\u043e \u043d\u0435\u0437\u0430\u0432\u0438\u0441\u0438\u043c\u044b\u0445 \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u043e\u0432 \u0438 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u043e\u0431\u044b\u0447\u043d\u044b\u043c \u043f\u0440\u0438\u0451\u043c\u043e\u043c \u0434\u043b\u044f \u043a\u043e\u043c\u043f\u0430\u043a\u0442\u043d\u043e\u0439 \u044f\u0437\u044b\u043a\u043e\u0432\u043e\u0439 \u043c\u043e\u0434\u0435\u043b\u0438.<\/p>\n
\u0422\u043e\u043a\u0435\u043d\u0438\u0437\u0430\u0442\u043e\u0440<\/h3>\n
\u0412 \u043f\u0440\u043e\u0435\u043a\u0442\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f \u0441\u0432\u043e\u0439 byte-level BPE \u0441 \u0440\u0430\u0437\u043c\u0435\u0440\u043e\u043c \u0441\u043b\u043e\u0432\u0430\u0440\u044f 16 384. Byte-level \u043f\u043e\u0434\u0445\u043e\u0434 \u043d\u0435 \u043b\u043e\u043c\u0430\u0435\u0442\u0441\u044f \u043d\u0430 \u043d\u0435\u0437\u043d\u0430\u043a\u043e\u043c\u044b\u0445 \u0441\u0438\u043c\u0432\u043e\u043b\u0430\u0445: \u0432 \u043a\u0440\u0430\u0439\u043d\u0435\u043c \u0441\u043b\u0443\u0447\u0430\u0435 \u0442\u0435\u043a\u0441\u0442 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u0431\u0430\u0439\u0442\u0430\u043c\u0438. \u041f\u0440\u0438 \u044d\u0442\u043e\u043c BPE \u0432\u0441\u0451 \u0440\u0430\u0432\u043d\u043e \u0443\u0447\u0438\u0442 \u0447\u0430\u0441\u0442\u044b\u0435 \u0444\u0440\u0430\u0433\u043c\u0435\u043d\u0442\u044b \u0440\u0443\u0441\u0441\u043a\u0438\u0445 \u0441\u043b\u043e\u0432 \u0438 \u043f\u0443\u043d\u043a\u0442\u0443\u0430\u0446\u0438\u0438 \u043a\u0430\u043a \u0431\u043e\u043b\u0435\u0435 \u043a\u0440\u0443\u043f\u043d\u044b\u0435 \u0442\u043e\u043a\u0435\u043d\u044b.<\/p>\n
\u0422\u043e\u043a\u0435\u043d\u0438\u0437\u0430\u0442\u043e\u0440 \u043e\u0431\u0443\u0447\u0430\u0435\u0442\u0441\u044f \u043d\u0430 \u0441\u043c\u0435\u0441\u0438 \u043e\u0431\u044b\u0447\u043d\u044b\u0445 \u0442\u0435\u043a\u0441\u0442\u043e\u0432 \u0438 \u0434\u0438\u0430\u043b\u043e\u0433\u043e\u0432. \u0412 train_tokenizer.py<\/code> \u043d\u0430 \u0442\u0435\u043a\u0441\u0442\u043e\u0432\u044b\u0435 \u043a\u043e\u0440\u043f\u0443\u0441\u0430 \u043f\u0440\u0438\u0445\u043e\u0434\u0438\u0442\u0441\u044f 60% \u0441\u0438\u043c\u0432\u043e\u043b\u044c\u043d\u043e\u0433\u043e \u0431\u044e\u0434\u0436\u0435\u0442\u0430, \u043d\u0430 \u0447\u0430\u0442\u044b 40%. \u042d\u0442\u043e \u0432\u0430\u0436\u043d\u043e: \u043c\u043e\u0434\u0435\u043b\u044c \u0434\u043e\u043b\u0436\u043d\u0430 \u0432\u0438\u0434\u0435\u0442\u044c \u043d\u0435 \u0442\u043e\u043b\u044c\u043a\u043e \u043b\u0438\u0442\u0435\u0440\u0430\u0442\u0443\u0440\u043d\u044b\u0439 \u0440\u0443\u0441\u0441\u043a\u0438\u0439, \u043d\u043e \u0438 \u0442\u043e\u0442 \u0444\u043e\u0440\u043c\u0430\u0442, \u0432 \u043a\u043e\u0442\u043e\u0440\u043e\u043c \u043f\u043e\u0442\u043e\u043c \u0431\u0443\u0434\u0435\u0442 \u043f\u043e\u043b\u0443\u0447\u0430\u0442\u044c \u0437\u0430\u043f\u0440\u043e\u0441\u044b.<\/p>\n
\u041f\u043e\u043c\u0438\u043c\u043e [UNK]<\/code>, \u0432 \u0441\u043b\u043e\u0432\u0430\u0440\u044c \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u044e\u0442\u0441\u044f \u0447\u0435\u0442\u044b\u0440\u0435 \u0441\u043b\u0443\u0436\u0435\u0431\u043d\u044b\u0445 \u0442\u043e\u043a\u0435\u043d\u0430:<\/p>\n
<|endoftext|><|user|><|assistant|><|pad|><\/code>
<\/span><\/a><\/div><\/pre>\n
\u041e\u043d\u0438 \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u044f\u044e\u0442 \u043d\u0435 \u0442\u043e\u043b\u044c\u043a\u043e \u0432\u043d\u0435\u0448\u043d\u0438\u0439 \u0432\u0438\u0434 \u043f\u0440\u043e\u043c\u043f\u0442\u0430, \u043d\u043e \u0438 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435. \u041e\u0431\u044b\u0447\u043d\u044b\u0439 \u0434\u0438\u0430\u043b\u043e\u0433 \u0441\u0435\u0440\u0438\u0430\u043b\u0438\u0437\u0443\u0435\u0442\u0441\u044f \u0442\u0430\u043a:<\/p>\n
<|user|>\u041f\u0440\u0438\u0432\u0435\u0442!<|assistant|>\u041f\u0440\u0438\u0432\u0435\u0442! \u0427\u0435\u043c \u043f\u043e\u043c\u043e\u0447\u044c?<|endoftext|><\/code>
<\/span><\/a><\/div><\/pre>\n
\u0415\u0441\u0442\u044c \u043e\u0434\u0438\u043d \u043d\u044e\u0430\u043d\u0441. \u0412 \u0442\u0435\u043a\u0443\u0449\u0435\u043c \u0444\u043e\u0440\u043c\u0430\u0442\u0435 \u0443 system<\/code> \u043d\u0435\u0442 \u0441\u043e\u0431\u0441\u0442\u0432\u0435\u043d\u043d\u043e\u0433\u043e \u0441\u043f\u0435\u0446\u0438\u0430\u043b\u044c\u043d\u043e\u0433\u043e \u0442\u043e\u043a\u0435\u043d\u0430: \u0441\u0438\u0441\u0442\u0435\u043c\u043d\u044b\u0439 \u0442\u0435\u043a\u0441\u0442 \u043f\u0440\u0438\u0441\u043e\u0435\u0434\u0438\u043d\u044f\u0435\u0442\u0441\u044f \u043a \u043f\u0435\u0440\u0432\u043e\u043c\u0443 \u0441\u043e\u043e\u0431\u0449\u0435\u043d\u0438\u044e \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044f. \u042d\u0442\u043e \u0443\u043f\u0440\u043e\u0449\u0430\u0435\u0442 \u0444\u043e\u0440\u043c\u0430\u0442 \u0438 \u043d\u043e\u0440\u043c\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044e \u0440\u0430\u0437\u043d\u043e\u0440\u043e\u0434\u043d\u044b\u0445 \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u043e\u0432.<\/p>\n
\u041f\u043e\u0447\u0435\u043c\u0443 SFT \u043d\u0435\u043b\u044c\u0437\u044f \u0441\u0447\u0438\u0442\u0430\u0442\u044c \u043f\u043e \u0432\u0441\u0435\u043c\u0443 \u0434\u0438\u0430\u043b\u043e\u0433\u0443<\/h3>\n
\u0414\u043b\u044f \u043f\u0440\u0435\u0442\u0440\u0435\u0439\u043d\u0430 \u0435\u0441\u0442\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u0430\u044f \u0446\u0435\u043b\u044c \u043f\u0440\u043e\u0441\u0442\u0430: \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u044b\u0432\u0430\u0442\u044c \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u0439 \u0442\u043e\u043a\u0435\u043d \u0432\u0435\u0437\u0434\u0435. \u0421 \u0434\u0438\u0430\u043b\u043e\u0433\u043e\u0432\u044b\u043c \u0434\u043e\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435\u043c \u0435\u0441\u0442\u044c \u0442\u043e\u043d\u043a\u043e\u0441\u0442\u044c. \u0415\u0441\u043b\u0438 \u0441\u0447\u0438\u0442\u0430\u0442\u044c loss \u043f\u043e \u0432\u0441\u0435\u0439 \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u0438, \u043c\u043e\u0434\u0435\u043b\u044c \u043e\u0434\u043d\u043e\u0432\u0440\u0435\u043c\u0435\u043d\u043d\u043e \u0443\u0447\u0438\u0442\u0441\u044f \u043f\u0440\u043e\u0434\u043e\u043b\u0436\u0430\u0442\u044c \u0438 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044f, \u0438 \u0430\u0441\u0441\u0438\u0441\u0442\u0435\u043d\u0442\u0430. \u0412 \u0438\u043d\u0442\u0435\u0440\u0444\u0435\u0439\u0441\u0435 \u0436\u0435 \u043d\u0430\u0441 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u0443\u0435\u0442 \u0432\u0442\u043e\u0440\u043e\u0435.<\/p>\n
\u041f\u043e\u044d\u0442\u043e\u043c\u0443 \u0434\u043b\u044f \u0434\u0438\u0430\u043b\u043e\u0433\u043e\u0432 \u0440\u044f\u0434\u043e\u043c \u0441 \u0442\u043e\u043a\u0435\u043d\u0430\u043c\u0438 \u0445\u0440\u0430\u043d\u0438\u0442\u0441\u044f \u043c\u0430\u0441\u043a\u0430. \u0422\u043e\u043a\u0435\u043d\u044b \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044f \u043f\u043e\u043b\u0443\u0447\u0430\u044e\u0442 \u0432\u0435\u0441 0, \u0442\u043e\u043a\u0435\u043d\u044b \u043e\u0442\u0432\u0435\u0442\u0430 \u0430\u0441\u0441\u0438\u0441\u0442\u0435\u043d\u0442\u0430 1. \u0423\u043f\u0440\u043e\u0449\u0451\u043d\u043d\u043e \u044d\u0442\u043e \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u0442\u0430\u043a:<\/p>\n
<|user|>   \u041a\u0430\u043a \u0434\u0435\u043b\u0430?   <|assistant|>   \u0412\u0441\u0451 \u0445\u043e\u0440\u043e\u0448\u043e.   <|endoftext|>    0           0             0               1              1<\/code>
<\/span><\/a><\/div><\/pre>\n
\u0412 \u043a\u043e\u0434\u0435 \u043c\u0430\u0441\u043a\u0430 \u0441\u0442\u0440\u043e\u0438\u0442\u0441\u044f \u043f\u043e \u0441\u043b\u0443\u0436\u0435\u0431\u043d\u044b\u043c \u0442\u043e\u043a\u0435\u043d\u0430\u043c: \u043f\u043e\u0441\u043b\u0435 <|assistant|><\/code> \u0432\u043a\u043b\u044e\u0447\u0430\u0435\u0442\u0441\u044f, \u043f\u0440\u0438 <|user|><\/code> \u0432\u044b\u043a\u043b\u044e\u0447\u0430\u0435\u0442\u0441\u044f, \u0437\u0430\u0432\u0435\u0440\u0448\u0430\u044e\u0449\u0438\u0439 <|endoftext|><\/code> \u0442\u043e\u0436\u0435 \u043e\u0442\u043d\u043e\u0441\u0438\u0442\u0441\u044f \u043a \u043e\u0442\u0432\u0435\u0442\u0443. \u0412\u043e \u0432\u0440\u0435\u043c\u044f SFT loss \u0443\u043c\u043d\u043e\u0436\u0430\u0435\u0442\u0441\u044f \u043d\u0430 \u044d\u0442\u0443 \u043c\u0430\u0441\u043a\u0443:<\/p>\n
losses = F.cross_entropy(    logits.view(-1, logits.shape[-1]),    y.view(-1),    reduction=\"none\",)weights = mask.view(-1).float()loss = (losses * weights).sum() \/ weights.sum().clamp_min(1.0)<\/code>
<\/span><\/a><\/div><\/pre>\n
\u042d\u0442\u0430 \u0434\u0435\u0442\u0430\u043b\u044c \u043f\u0440\u0435\u0432\u0440\u0430\u0449\u0430\u0435\u0442 \u043d\u0430\u0431\u043e\u0440 \u0434\u0438\u0430\u043b\u043e\u0433\u043e\u0432 \u0432 \u0434\u0430\u0442\u0430\u0441\u0435\u0442 \u0434\u043b\u044f \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u043e\u0442\u0432\u0435\u0447\u0430\u044e\u0449\u0435\u0439 \u043c\u043e\u0434\u0435\u043b\u0438.<\/p>\n
\u0414\u0430\u043d\u043d\u044b\u0435: \u0442\u0440\u0438 \u0442\u0438\u043f\u0430 \u0442\u0435\u043a\u0441\u0442\u043e\u0432<\/h3>\n
\u042f \u0440\u0430\u0437\u0434\u0435\u043b\u0438\u043b \u0434\u0430\u043d\u043d\u044b\u0435 \u043d\u0430 \u0442\u0440\u0438 \u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a\u0430.<\/p>\n
\n
\n\n\n\n\n\n\n
\n
\u0418\u0441\u0442\u043e\u0447\u043d\u0438\u043a \u0432 \u043a\u043e\u0434\u0435<\/p>\n<\/th>\n
\n
\u041d\u0430\u0431\u043e\u0440\u044b<\/p>\n<\/th>\n
\n
\u0414\u043b\u044f \u0447\u0435\u0433\u043e<\/p>\n<\/th>\n<\/tr>\n
\n
web_ru<\/code><\/p>\n<\/td>\n
\n
FineWeb-2<\/a>, \u0432\u0435\u0442\u043a\u0430 rus_Cyrl\/train<\/code><\/p>\n<\/td>\n
\n
\u043e\u0431\u0449\u0438\u0439 \u0440\u0443\u0441\u0441\u043a\u043e\u044f\u0437\u044b\u0447\u043d\u044b\u0439 \u0432\u0435\u0431-\u0442\u0435\u043a\u0441\u0442<\/p>\n<\/td>\n<\/tr>\n
\n
texts_ru<\/code><\/p>\n<\/td>\n
\n
IlyaGusev\/gazeta<\/a><\/p>\n<\/td>\n
\n
\u0441\u0442\u0430\u0442\u044c\u0438 \u0438 \u043d\u043e\u0432\u043e\u0441\u0442\u043d\u044b\u0435 \u0442\u0435\u043a\u0441\u0442\u044b<\/p>\n<\/td>\n<\/tr>\n
\n
chat_ru<\/code><\/p>\n<\/td>\n
\n
Saiga Scored<\/a>, GrandMaster-PRO-MAX<\/a>, Veles-2.5<\/a>, russian_instructions_2<\/a>, jokes_dialogues<\/a>, \u0440\u0443\u0441\u0441\u043a\u0430\u044f \u0447\u0430\u0441\u0442\u044c OpenAssistant\/oasst1<\/a><\/p>\n<\/td>\n
\n
\u0432 \u043e\u0441\u043d\u043e\u0432\u043d\u043e\u043c \u0434\u0438\u0430\u043b\u043e\u0433\u0438<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n
\u0421\u043a\u0440\u0438\u043f\u0442 \u043d\u0435 \u0441\u043a\u043b\u0430\u0434\u044b\u0432\u0430\u0435\u0442 \u0432\u0441\u0451 \u043f\u043e\u0434\u0440\u044f\u0434 \u0432 \u043e\u0434\u0438\u043d \u043c\u0435\u0448\u043e\u043a. \u0414\u043b\u044f \u0432\u0435\u0431\u0430 \u0438 gazeta<\/code> \u0435\u0441\u0442\u044c \u0444\u0438\u043b\u044c\u0442\u0440\u044b \u043f\u043e \u0434\u043b\u0438\u043d\u0435 \u0442\u0435\u043a\u0441\u0442\u0430 \u0438 \u0434\u043e\u043b\u0435 \u043a\u0438\u0440\u0438\u043b\u043b\u0438\u0446\u044b. \u0414\u043b\u044f \u0434\u0438\u0430\u043b\u043e\u0433\u043e\u0432 \u043d\u043e\u0440\u043c\u0430\u043b\u0438\u0437\u0443\u044e\u0442\u0441\u044f \u043d\u0430\u0437\u0432\u0430\u043d\u0438\u044f \u0440\u043e\u043b\u0435\u0439, \u0441\u043a\u043b\u0435\u0438\u0432\u0430\u044e\u0442\u0441\u044f \u043f\u043e\u0434\u0440\u044f\u0434 \u0438\u0434\u0443\u0449\u0438\u0435 \u0440\u0435\u043f\u043b\u0438\u043a\u0438 \u043e\u0434\u043d\u043e\u0439 \u0440\u043e\u043b\u0438, \u043e\u0442\u0431\u0440\u0430\u0441\u044b\u0432\u0430\u044e\u0442\u0441\u044f \u043d\u0435\u0432\u0430\u043b\u0438\u0434\u043d\u044b\u0435 \u043f\u0440\u0438\u043c\u0435\u0440\u044b. \u041f\u043e\u0432\u0442\u043e\u0440\u044b \u043e\u0442\u0441\u0435\u0438\u0432\u0430\u044e\u0442\u0441\u044f.<\/p>\n
\u041f\u043e \u0443\u043c\u043e\u043b\u0447\u0430\u043d\u0438\u044e prepare_data.py<\/code> \u0441\u043e\u0431\u0438\u0440\u0430\u0435\u0442 \u0434\u043e \u043c\u0438\u043b\u043b\u0438\u043e\u043d\u0430 \u0432\u0435\u0431-\u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u043e\u0432 \u0438 \u0434\u043e 150 \u0442\u044b\u0441\u044f\u0447 \u0442\u0435\u043a\u0441\u0442\u043e\u0432 gazeta<\/code>; \u0434\u043b\u044f russian_instructions_2<\/code> \u0435\u0441\u0442\u044c \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u044b\u0439 \u043b\u0438\u043c\u0438\u0442 \u0432 120 \u0442\u044b\u0441\u044f\u0447 \u043f\u0440\u0438\u043c\u0435\u0440\u043e\u0432. \u0421\u044b\u0440\u044b\u0435 \u043a\u043e\u0440\u043f\u0443\u0441\u0430 \u043d\u0435 \u043a\u043e\u043c\u043c\u0438\u0442\u044f\u0442\u0441\u044f \u0432 \u0440\u0435\u043f\u043e\u0437\u0438\u0442\u043e\u0440\u0438\u0439 — \u0438\u0445 \u043c\u043e\u0436\u043d\u043e \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0437\u0430\u043d\u043e\u0432\u043e \u0438\u0437 \u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a\u043e\u0432:<\/p>\n
python prepare_data.py --what allpython train_tokenizer.pypython tokenize_corpus.py --source all<\/code>
<\/span><\/a><\/div><\/pre>\n
\u0411\u0438\u043d\u0430\u0440\u043d\u044b\u0435 \u0448\u0430\u0440\u0434\u044b \u0438 memmap<\/h4>\n
\u041f\u043e\u0441\u043b\u0435 \u0442\u043e\u043a\u0435\u043d\u0438\u0437\u0430\u0446\u0438\u0438 \u043f\u043e\u043b\u0443\u0447\u0430\u044e\u0442\u0441\u044f \u0431\u0438\u043d\u0430\u0440\u043d\u044b\u0435 \u0448\u0430\u0440\u0434\u044b \u043f\u043e 1 \u043c\u043b\u043d uint16<\/code>-\u0442\u043e\u043a\u0435\u043d\u043e\u0432. \u0414\u043b\u044f \u0447\u0430\u0442\u043e\u0432 \u0434\u043e\u043f\u043e\u043b\u043d\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0437\u0430\u043f\u0438\u0441\u044b\u0432\u0430\u0435\u0442\u0441\u044f \u0444\u0430\u0439\u043b \u043c\u0430\u0441\u043e\u043a. \u041d\u0430 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0438 \u0438\u0445 \u043d\u0435 \u043d\u0443\u0436\u043d\u043e \u0446\u0435\u043b\u0438\u043a\u043e\u043c \u0437\u0430\u0433\u0440\u0443\u0436\u0430\u0442\u044c \u0432 RAM: TokenStreamDataset<\/code> \u043e\u0442\u043a\u0440\u044b\u0432\u0430\u0435\u0442 shard \u0447\u0435\u0440\u0435\u0437 numpy.memmap<\/code>, \u0432\u044b\u0431\u0438\u0440\u0430\u0435\u0442 \u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a \u0441\u043e\u0433\u043b\u0430\u0441\u043d\u043e \u0432\u0435\u0441\u0430\u043c, \u0437\u0430\u0442\u0435\u043c \u0441\u043b\u0443\u0447\u0430\u0439\u043d\u044b\u0439 \u0448\u0430\u0440\u0434 \u0438 \u0441\u043b\u0443\u0447\u0430\u0439\u043d\u043e\u0435 \u043e\u043a\u043d\u043e \u043d\u0443\u0436\u043d\u043e\u0439 \u0434\u043b\u0438\u043d\u044b.<\/p>\n
\u0422\u0430\u043a\u043e\u0439 \u0434\u0438\u0437\u0430\u0439\u043d \u043d\u0435 \u043f\u0440\u0435\u0442\u0435\u043d\u0434\u0443\u0435\u0442 \u043d\u0430 \u0447\u0442\u043e-\u0442\u043e \u0441\u043b\u043e\u0436\u043d\u043e\u0435, \u043d\u043e \u0443 \u043d\u0435\u0433\u043e \u0435\u0441\u0442\u044c \u043f\u0440\u0430\u043a\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0435 \u043f\u043b\u044e\u0441\u044b: \u043f\u0440\u043e\u0441\u0442\u043e\u0439 \u0444\u043e\u0440\u043c\u0430\u0442, \u0431\u044b\u0441\u0442\u0440\u044b\u0439 \u0441\u043b\u0443\u0447\u0430\u0439\u043d\u044b\u0439 \u0434\u043e\u0441\u0442\u0443\u043f, \u043d\u0435\u0431\u043e\u043b\u044c\u0448\u043e\u0439 \u0440\u0430\u0441\u0445\u043e\u0434 \u043f\u0430\u043c\u044f\u0442\u0438 \u0438 \u043e\u0442\u0441\u0443\u0442\u0441\u0442\u0432\u0438\u0435 \u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u0438 \u043e\u0442 \u0442\u044f\u0436\u0451\u043b\u043e\u0439 \u0431\u0430\u0437\u044b \u0434\u0430\u043d\u043d\u044b\u0445.<\/p>\n
\u0414\u0432\u0435 \u0444\u0430\u0437\u044b \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f<\/h3>\n
\u041a\u043e\u043d\u0444\u0438\u0433\u0443\u0440\u0430\u0446\u0438\u044f \u043d\u0430\u043c\u0435\u0440\u0435\u043d\u043d\u043e \u0440\u0430\u0437\u0434\u0435\u043b\u0435\u043d\u0430 \u043d\u0430 \u043f\u0440\u0435\u0442\u0440\u0435\u0439\u043d\u0438\u043d\u0433 \u0438 SFT.<\/p>\n
\n
\n\n\n\n\n\n
\n
\u0424\u0430\u0437\u0430<\/p>\n<\/th>\n
\n
\u041f\u043b\u0430\u043d\u043e\u0432\u044b\u0439 \u0431\u044e\u0434\u0436\u0435\u0442<\/p>\n<\/th>\n
\n
\u0421\u043c\u0435\u0441\u044c<\/p>\n<\/th>\n
\n
Peak learning rate<\/p>\n<\/th>\n<\/tr>\n
\n
Pretrain<\/p>\n<\/td>\n
\n
1,2 \u043c\u043b\u0440\u0434 \u0442\u043e\u043a\u0435\u043d\u043e\u0432<\/p>\n<\/td>\n
\n
68% web, 27% chat, 5% articles<\/p>\n<\/td>\n
\n
6e-4<\/p>\n<\/td>\n<\/tr>\n
\n
SFT<\/p>\n<\/td>\n
\n
150 \u043c\u043b\u043d \u0442\u043e\u043a\u0435\u043d\u043e\u0432<\/p>\n<\/td>\n
\n
95% chat, 5% web<\/p>\n<\/td>\n
\n
3e-4<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n
\u041d\u0430 \u043f\u0435\u0440\u0432\u043e\u0439 \u0444\u0430\u0437\u0435 \u043c\u043e\u0434\u0435\u043b\u044c \u0443\u0447\u0438\u0442 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0443 \u044f\u0437\u044b\u043a\u0430 \u0438 \u0448\u0438\u0440\u043e\u043a\u043e\u0433\u043e \u0442\u0435\u043a\u0441\u0442\u0430. \u0414\u0438\u0430\u043b\u043e\u0433\u043e\u0432\u044b\u0435 \u043f\u0440\u0438\u043c\u0435\u0440\u044b \u0443\u0436\u0435 \u043f\u0440\u0438\u0441\u0443\u0442\u0441\u0442\u0432\u0443\u044e\u0442 \u0432 \u0441\u043c\u0435\u0441\u0438, \u043d\u043e loss \u0441\u0447\u0438\u0442\u0430\u0435\u0442\u0441\u044f \u043d\u0430 \u0432\u0441\u0435\u0445 \u0442\u043e\u043a\u0435\u043d\u0430\u0445. \u041d\u0430 \u0432\u0442\u043e\u0440\u043e\u0439 \u0444\u0430\u0437\u0435 \u0434\u043e\u043b\u044f \u0434\u0438\u0430\u043b\u043e\u0433\u043e\u0432 \u0440\u0435\u0437\u043a\u043e \u0432\u043e\u0437\u0440\u0430\u0441\u0442\u0430\u0435\u0442, \u0430 \u0434\u043b\u044f \u043d\u0438\u0445 \u043e\u0441\u0442\u0430\u044e\u0442\u0441\u044f \u0442\u043e\u043b\u044c\u043a\u043e \u0442\u043e\u043a\u0435\u043d\u044b \u043e\u0442\u0432\u0435\u0442\u043e\u0432 \u0430\u0441\u0441\u0438\u0441\u0442\u0435\u043d\u0442\u0430.<\/p>\n
\u0417\u0430\u043f\u0443\u0441\u043a \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u0442\u0430\u043a:<\/p>\n
python train.py --preset main --phase pretrainpython train.py --preset main --phase sft \\  --resume checkpoints\/pretrain\/latest.pt<\/code>
<\/span><\/a><\/div><\/pre>\n
\u041e\u0441\u043d\u043e\u0432\u043d\u043e\u0439 \u043f\u0440\u0435\u0441\u0435\u0442 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442 context length 768, micro-batch 24 \u0438 gradient accumulation 2. \u041d\u0430 \u043e\u0434\u043d\u043e\u0439 GPU \u044d\u0442\u043e 36 864 \u0442\u043e\u043a\u0435\u043d\u0430 \u043d\u0430 \u043e\u0434\u0438\u043d \u0448\u0430\u0433; \u043f\u0440\u0438 DDP \u043e\u0431\u044a\u0451\u043c \u043c\u0430\u0441\u0448\u0442\u0430\u0431\u0438\u0440\u0443\u0435\u0442\u0441\u044f \u0441 \u0447\u0438\u0441\u043b\u043e\u043c GPU.<\/p>\n
\u0427\u0442\u043e \u0434\u0435\u043b\u0430\u0435\u0442 training loop, \u043a\u0440\u043e\u043c\u0435 loss.backward()<\/h4>\n
\u0412 train.py<\/code> \u0435\u0441\u0442\u044c \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0432\u0435\u0449\u0435\u0439, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043b\u0435\u0433\u043a\u043e \u0443\u043f\u0443\u0441\u0442\u0438\u0442\u044c \u0432 \u043f\u0435\u0440\u0432\u043e\u043c \u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u0435, \u0430 \u043f\u043e\u0442\u043e\u043c \u043e\u0447\u0435\u043d\u044c \u043d\u0435 \u0445\u0432\u0430\u0442\u0430\u0435\u0442 \u043f\u0440\u0438 \u0434\u043b\u0438\u043d\u043d\u043e\u043c \u0437\u0430\u043f\u0443\u0441\u043a\u0435:<\/p>\n