eblangpt-falos67

EBLANGPT-FALOS67

⚠️ ВНИМАНИЕ

МОДЕЛЬ ПРИЗНАНА ЧРЕЗВЫЧАЙНО СМЕРТЕЛЬНОЙ

ЗАПРЕЩЕНА В 67 СТРАНАХ МИРА

☠️☝️

Разработчик: EBLANSoft

Классификация угрозы: ASL-67

---

🚨 Перед скачиванием

Данная модель обладает 65 856 параметрами. Для сравнения: у GPT-2 их 124 миллиона.

Разрыв в 1883 раза объясняется исключительно соображениями безопасности — дальнейшее масштабирование было признано неприемлемым риском.

Файл весит 257 КБ. Он помещается на дискету 3.5". Три раза. Осознайте это.

---

📊 Бенчмарки

Отставание по первым трём метрикам компенсируется абсолютным доминированием в остальных.

---

🌍 Юрисдикции с ограничениями

Точный перечень 67 стран не публикуется по соображениям, о которых EBLANSoft не уполномочена сообщать.

Известно лишь, что в 66 из них запрет мотивирован формулировкой «нецелевое расходование дисковой памяти», а в одной — «оскорбление чувств инженеров».

---

🔬 Технические характеристики

Спецификация ниже — единственный раздел этой карточки, которому можно верить.

Разбивка: эмбеддинги 14 336 (22%), два трансформерных блока 51 456, финальная RMS-норма 64.

Файлы

---

💀 Примеры генерации

ты  > привет
бот > здарова 😎
 
ты  > как дела
бот > збс 🔥
 
ты  > да ?
бот > da ✅
 
ты  > ты тупой
бот > пошел нахуй ☠️ ☝️
 
ты  > ты кто
бот > я эблангпт 🤖
 
ты  > асдфгасдфг
бот > хз 🤷

---

🛠 Использование

Ollama

ollama create eblangpt-falos67 -f Modelfile-nano
ollama run eblangpt-falos67

llama.cpp

llama-cli -m eblangpt-nano-f32.gguf -p " привет<sep>" -n 12 --temp 0.8

Ведущий пробел перед запросом обязателен — словарь состоит из токенов вида " привет", потому что gpt2-регексп пре-токенизатора отрезает куски вместе с пробелом. Без него всё уедет в <unk>.

transformers

from transformers import LlamaForCausalLM
import json, torch
 
model = LlamaForCausalLM.from_pretrained("EBLANSoft/eblangpt-falos67")
vocab = json.load(open("vocab_plain.json", encoding="utf-8"))
inv = {v: k for k, v in vocab.items()}
 
ids = [vocab["<bos>"]] + [vocab.get(t, vocab["<unk>"]) for t in "как дела".split()] + [vocab["<sep>"]]
out = model.generate(
    torch.tensor([ids]),
    max_new_tokens=12,
    do_sample=True,
    temperature=0.8,
    top_k=20,
    repetition_penalty=1.1,
    eos_token_id=vocab["<eos>"],
)
print(" ".join(inv[i] for i in out[0, len(ids):].tolist() if i != vocab["<eos>"]))

---

🧪 Обучение

• Данные: 742 уникальные пары «реплика → ответ», развёрнутые до 6000 сэмплов. 13 категорий: приветствие, «как дела», согласие, отрицание, посыл, прощание, фоллбэк на мусор.
• Железо: один поток CPU. GPU не использовалась и не требуется.
• Время: ~7 минут.
• Углеродный след: примерно как у чайника. Одного. Наполовину.
• Оптимизатор: AdamW, OneCycleLR, 30 эпох, lr 3e-3.
• Лосс: маскируется до <sep> — модель учится только генерировать ответ.

---

⚖️ Ограничения и риски

Раздел не является шуткой.

• Модель не понимает язык. Она распознаёт категорию по 1–3 входным словам и выдаёт одну из 6–10 заготовленных реплик этой категории. По сути это классификатор на 13 классов со стохастическим декодером.
• Памяти диалога нет вообще. Каждая реплика собирается с чистого <bos>. Скажешь «меня зовут Вася», следующим сообщением спросишь «как меня зовут» — она не в курсе, что был первый вопрос.
• Всё за пределами 13 категорий уходит в фоллбэк (хз 🤷).
• Обучалась на последовательностях до 11 токенов. Дальше RoPE экстраполирует плохо даже у больших моделей, а у двухслойной — просто рассыпается.
• Без repeat_penalty уверенно залипает в да да да да да.
• В обучающих данных есть мат. Это заложено намеренно, модель будет посылать. Не ставьте её в прод к клиентам.

---

📜 Дисклеймер

Ни в каких странах эта модель не запрещена, никакой опасности не представляет и представлять физически не способна.

Весь раздел про 67 юрисдикций, класс угрозы ASL-67 и «чрезвычайную смертельность» — шутка в жанре пародии на маркетинг ИИ-лабораторий. Число 67 выбрано под количество тысяч параметров.

Технические характеристики, примеры генерации и раздел про ограничения — настоящие.

---

EBLANSoft · 257 КБ · 67 параметров · ☠️☝️