gemma-1b-pruned-th

gemma-1b-pruned-th

โมเดลภาษาไทยขนาดเล็กที่ได้จากการ Depth Pruning (Layer Dropping) ของ unsloth/gemma-3-4b-pt (mirror ของ google/gemma-3-4b-pt) แล้วทำ Healing SFT เพื่อกู้ความสามารถกลับมา

---

Pipeline การสร้างโมเดล (ทำซ้ำได้)

ขั้นที่ 1 — Depth Pruning (Layer Dropping)

ตัด decoder layer ตรงกลางทิ้ง (มักทำงานซ้ำซ้อน) เก็บเฉพาะ layer หัว (เข้าใจ input) และ layer ท้าย (สร้าง output) — embedding / lm_head / norm คงเดิม จึงไม่พัง dimension

import torch
from transformers import AutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained("unsloth/gemma-3-4b-pt (mirror ของ google/gemma-3-4b-pt)", torch_dtype=torch.bfloat16)

# หา text-decoder layer list (เลี่ยง vision encoder กรณี multimodal)
holder, layers = None, None
for _, mod in model.named_modules():
    L = getattr(mod, "layers", None)
    if isinstance(L, torch.nn.ModuleList) and len(L) and hasattr(L[0], "self_attn"):
        holder, layers = mod, L
        if "language" in _.lower() or "text" in _.lower():
            break
N = len(layers)

# เก็บ 17 จาก 34 layers: หัว + ท้าย
keep = [0,1,2,3,4,5,6,7, 25,26,27,28,29,30,31,32,33]
holder.layers = torch.nn.ModuleList([layers[i] for i in keep])

# อัปเดต config (รองรับ nested text_config ของ Gemma3)
for c in {model.config, getattr(model.config, "text_config", model.config)}:
    if getattr(c, "num_hidden_layers", None) is not None:
        c.num_hidden_layers = len(keep)
    lt = getattr(c, "layer_types", None)
    if isinstance(lt, list) and len(lt) == N:
        c.layer_types = [lt[i] for i in keep]

# reindex layer_idx ของแต่ละ block (สำคัญต่อ KV cache)
for i, lyr in enumerate(holder.layers):
    if hasattr(lyr, "self_attn") and hasattr(lyr.self_attn, "layer_idx"):
        lyr.self_attn.layer_idx = i

ผลลัพธ์: 4.30B -> 2.70B (ยังไม่ถึง 1B เป๊ะ เพราะ embedding+lm_head+vocab ไม่ลดตาม layer)

หลัง prune โมเดลจะพ่น gibberish ทันที (เส้นประสาทถูกตัดขาด) -> ต้อง Healing ต่อ

ขั้นที่ 2 — Healing SFT

เทรนต่อด้วย causal-LM บน Thai corpus เพื่อให้ layer ที่เหลือกลับมาทำงานร่วมกัน

from transformers import Trainer, TrainingArguments, DataCollatorForLanguageModeling
from datasets import load_dataset

ds = load_dataset("SPAISS6F1/spai-ss6-llm-1b-thai-corpus", split="train")  # หรือ SEA-PILE v2 'th'
tds = ds.map(lambda e: tok(e["text"], truncation=True, max_length=1024),
             batched=True, remove_columns=ds.column_names)

model.gradient_checkpointing_enable(); model.config.use_cache = False
args = TrainingArguments(output_dir="out", num_train_epochs=2,
    per_device_train_batch_size=4, gradient_accumulation_steps=4,
    learning_rate=5e-5, lr_scheduler_type="cosine", warmup_ratio=0.03, bf16=True)
Trainer(model=model, args=args, train_dataset=tds,
        data_collator=DataCollatorForLanguageModeling(tok, mlm=False)).train()

Hyperparameters:

• Learning rate: 5e-5 (สูงกว่าปกติเพื่อสมานแผล) | Epochs: 2
• Batch 4 x grad-accum 4 (effective 16) | max_len 1024 | bf16
• Optimizer: AdamW + cosine schedule, warmup 3%
• Env: venv overlay (transformers 4.53.3)

ขั้นที่ 3 — Save

model.config.use_cache = True
try:
    model.save_pretrained("out", safe_serialization=True)
except RuntimeError:        # Gemma3: tied embeddings -> fallback .bin
    model.save_pretrained("out", safe_serialization=False)

โมเดลนี้ save เป็น: pytorch_model.bin (sharded; safetensors ไม่ได้เพราะ tied embeddings)

---

วิธีใช้ (Inference)

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
m = "SPAISS6F1/gemma-1b-pruned-th"
tok = AutoTokenizer.from_pretrained(m)
model = AutoModelForCausalLM.from_pretrained(m, torch_dtype=torch.bfloat16, device_map="cuda")
ids = tok("ปัญญาประดิษฐ์ คือ", return_tensors="pt").to(model.device)
out = model.generate(**ids, max_new_tokens=120, do_sample=True,
                     temperature=0.7, top_p=0.9, repetition_penalty=1.3)
print(tok.decode(out[0], skip_special_tokens=True))

ข้อควรรู้ / ข้อจำกัด

• เป็น pruned base ที่ heal ด้วย raw web corpus -> ไวยากรณ์ไทยลื่นไหลดี แต่ ข้อเท็จจริงและการคิดเลขยังอ่อน (ยังไม่ผ่าน instruction tuning)
• แนะนำ repetition_penalty >= 1.2 กันการวนซ้ำ
• เหมาะเป็น base สำหรับ fine-tune ต่อด้วย instruction dataset มากกว่าใช้ตอบตรง ๆ
• การตัด layer 50% เป็นการตัดที่ค่อนข้างหนัก (งานวิจัย เช่น ShortGPT แนะ ~25%); ถ้าต้องการคุณภาพสูงขึ้นควร heal นานขึ้น/ตัดเบาลง