EVAFRILL-Mo-3B

한국어 | English

---

한국어

EVAFRILL-Mo 3B — 하이브리드 Mamba-2 + Transformer

프로젝트 소개

EVAFRILL-Mo 3B는 NVIDIA Nemotron-H 아키텍처에서 영감을 받아 밑바닥부터 직접 구현한 30억 파라미터 하이브리드 언어 모델입니다.

• 7× NVIDIA B200 GPU로 55B 토큰 사전학습 (약 60시간)
• 한국어·영어·코드·수학 혼합 데이터셋 사용
• SFT → DPO → SLERP 전체 파이프라인을 단일 프로젝트에서 직접 구현
• 외부 프레임워크(Transformers Trainer, TRL) 없이 PyTorch 네이티브로 구현

아키텍처

Type:           Hybrid Mamba-2 + Transformer
Parameters:     2.94B (2,975,397,632)
Layers:         26 (24× Mamba-2 SSM + 2× Attention GQA)
d_model:        3,072
Vocabulary:     64,000 (custom SentencePiece)
Max seq length: 4,096

Mamba-2 SSM 블록이 장거리 의존성을 효율적으로 처리하고, 2개의 GQA Attention 블록이 전역 컨텍스트를 보완합니다. 표준 Transformer 대비 추론 시 KV 캐시 메모리를 크게 절감합니다.

개발 배경 및 히스토리

EVAFRILL-Mo는 6단계의 반복적 설계 과정을 거쳐 탄생했습니다:

1. FRANKENSTALLM — 순수 Transformer decoder-only LLM으로 시작한 전신 프로젝트. 한국어+영어+코드+수학 데이터로 커스텀 SentencePiece 토크나이저(64K 어휘)를 학습하고, DDP 학습 파이프라인을 구축했습니다.
2. Nemotron-H 영감 — NVIDIA의 하이브리드 Mamba-2 + Transformer 설계를 핵심 원칙만 추출하여(fragmentation) 제한된 하드웨어에 맞게 축소·적용.
3. 체계적 규모 탐색 — 5개 규모(1B~3B) 모델을 7×B200에서 벤치마크하여 Chinchilla-optimal 최대 규모(3B, 93% 달성) 결정.
4. 1B → 3B 전환 — tok/s가 per-GPU 값임을 발견하여, 1B 과잉학습(681%)을 3B 적정학습(93%)으로 전환.
5. 3B 사전학습 — 319,772 steps, 55B tokens, 7×B200 FP8로 60시간 완료.
6. Post-training — H100 MIG 환경에서 SFT → DPO → SLERP → ORPO 실험까지 완수.

핵심 기술 하이라이트

📖 전체 개발 과정, 아키텍처 설계 근거, 하드웨어 최적화 상세는 GitHub README를 참조하세요.

모델 버전

이 저장소에는 학습 파이프라인 각 단계의 체크포인트 7종이 포함됩니다.

학습 파이프라인

Pretrain (55B tokens, 7×B200, 60h)
  └─► SFT v2 (65K steps, H100 MIG, 5일)
        ├─► DPO R1 (3K steps) ─► DPO R2 (2K steps)
        │     └─► SLERP Merge (α=0.5) ⭐ 최종 권장
        └─► ORPO (10K steps, 실험)
              └─► DPO R3 (1K steps, 반복 특화 실험)

각 화살표는 독립된 체크포인트로 저장되어, 임의의 단계부터 재현·비교가 가능합니다.

벤치마크 결과

평가 대상: SLERP 모델 (0-shot, limit=500)

반복 생성 억제 (greedy decoding 기준)

권장 추론 파라미터: temperature=0.7, repetition_penalty=1.2

DPO vs ORPO 비교

ORPO의 약점: SFT 65K 스텝 대비 10K 스텝만 학습되어 기반 명령어 이해가 부족합니다.

사용법

GGUF/Ollama 미지원: 커스텀 Mamba-2 하이브리드 아키텍처로 llama.cpp/GGUF/Ollama와 호환되지 않습니다. PyTorch 직접 추론만 가능합니다.

사전 준비:

# 1. 소스 코드 클론 (커스텀 아키텍처 모듈 필요)
git clone https://github.com/pathcosmos/EVAFRILL-Mo
cd EVAFRILL-Mo

# 2. 의존성 설치
pip install torch safetensors tokenizers PyYAML

방법 1: safetensors 직접 로딩 (권장)

import json
import torch
from model.config import LMConfig
from model.transformer import LLM
from tokenizers import Tokenizer
from safetensors.torch import load_file as load_safetensors

CKPT = "path/to/EVAFRILL-Mo-3B/slerp"  # 이 저장소의 slerp/ 디렉토리

# Config & 모델 로드
with open(f"{CKPT}/config.json") as f:
    data = json.load(f)
for k in ("model_type", "architectures", "_variant", "_description"):
    data.pop(k, None)
cfg = LMConfig(**data)
cfg.use_flash_attn = False

model = LLM(cfg)
state = load_safetensors(f"{CKPT}/model.safetensors", device="cpu")
model.load_state_dict(state, strict=False)
model = model.to(device="cuda:0", dtype=torch.bfloat16)
model.eval()

tok = Tokenizer.from_file(f"{CKPT}/tokenizer.json")

# 생성 (권장: temp=0.7, rep_penalty=1.2)
prompt = "<|user|>\n인공지능이란 무엇인가요?\n<|assistant|>\n"
ids = torch.tensor([tok.encode(prompt).ids], device="cuda:0")

with torch.no_grad():
    for _ in range(256):
        logits, _ = model(ids)
        logits = logits[:, -1, :].float()
        for prev_id in set(ids[0].tolist()):
            if logits[0, prev_id] > 0: logits[0, prev_id] /= 1.2
            else: logits[0, prev_id] *= 1.2
        probs = torch.softmax(logits / 0.7, dim=-1)
        next_id = torch.multinomial(probs, 1)
        ids = torch.cat([ids, next_id], dim=1)
        if next_id.item() == tok.token_to_id("</s>"): break

print(tok.decode(ids[0].tolist()))

방법 2: 평가 프레임워크 러너 사용

frankenstallm_test의 evafrill_runner.py가 위 과정을 래핑합니다:

from eval_framework.evafrill_runner import generate, unload_model

result = generate("한국어로 인사해주세요.")
print(result["response"])
print(f"속도: {result['tokens_per_sec']:.1f} TPS")
unload_model()

설정 방법: frankenstallm_test README 참조

시스템 요구사항: GPU VRAM 8GB+ (BF16), CPU 추론 가능하지만 극히 느림 (~0.5 TPS)

재현 자료

제한사항

• 3B 규모 한계: 사실 정확도·복잡한 추론에 한계가 있으며, 대형 모델 대비 성능이 낮습니다.
• GGUF/Ollama 불가: 커스텀 하이브리드 Mamba-2 아키텍처로 표준 변환 툴을 지원하지 않습니다.
• vLLM 제한적: 이론상 가능하나 커스텀 weight key 매핑이 필요합니다.
• 반복 생성: greedy decoding 시 반복률이 높으므로 반드시 repetition_penalty=1.2 이상을 설정하세요.
• 언어 편중: 한국어·영어 외 언어는 성능이 보장되지 않습니다.

링크

• GitHub: pathcosmos/EVAFRILL-Mo
• 이전 프로젝트: FRANKENSTALLM — 순수 Transformer 기반 전신 프로젝트
• 참조 논문: Nemotron-H: A Family of Accurate and Efficient Hybrid Mamba-Transformer Models

라이선스

MIT License — 상업적 이용·수정·재배포 모두 자유롭습니다.

---

English

EVAFRILL-Mo 3B — Hybrid Mamba-2 + Transformer

Introduction

EVAFRILL-Mo 3B is a 3-billion-parameter hybrid language model built entirely from scratch, inspired by NVIDIA's Nemotron-H architecture.

• Pretrained on 55B tokens using 7× NVIDIA B200 GPUs (~60 hours)
• Mixed Korean, English, code, and math datasets
• Full SFT → DPO → SLERP pipeline implemented in pure PyTorch — no Transformers Trainer or TRL
• Designed as a Korean-first model with strong multilingual capability

Architecture

Type:           Hybrid Mamba-2 + Transformer
Parameters:     2.94B (2,975,397,632)
Layers:         26 (24× Mamba-2 SSM + 2× Attention GQA)
d_model:        3,072
Vocabulary:     64,000 (custom SentencePiece)
Max seq length: 4,096

Mamba-2 SSM blocks handle long-range dependencies efficiently while two GQA Attention blocks provide global context. Compared to standard Transformers, this architecture significantly reduces KV cache memory during inference.

Development Background & History

EVAFRILL-Mo was built through 6 iterative design stages:

1. FRANKENSTALLM — Predecessor project starting as a pure Transformer decoder-only LLM. Built custom SentencePiece tokenizer (64K vocab) on Korean+English+code+math data and established DDP training pipeline.
2. Nemotron-H Inspiration — Extracted core design principles from NVIDIA's hybrid Mamba-2 + Transformer architecture and scaled down for constrained hardware.
3. Systematic Scale Search — Benchmarked 5 model sizes (1B–3B) on 7×B200 to find the Chinchilla-optimal maximum (3B, 93% achievement).
4. 1B → 3B Transition — Discovered tok/s was per-GPU, redirecting from 1B over-training (681%) to 3B optimal training (93%).
5. 3B Pretraining — 319,772 steps, 55B tokens, 60 hours on 7×B200 with FP8.
6. Post-training — SFT → DPO → SLERP → ORPO experiments on H100 MIG.

Key Technical Highlights

📖 For the complete development journey, architecture design rationale, and hardware optimization details, see the GitHub README.

Model Variants

This repository contains 7 checkpoints representing each stage of the training pipeline.

Training Pipeline

Pretrain (55B tokens, 7×B200, 60h)
  └─► SFT v2 (65K steps, H100 MIG, 5 days)
        ├─► DPO R1 (3K steps) ─► DPO R2 (2K steps)
        │     └─► SLERP Merge (α=0.5) ⭐ Final Recommended
        └─► ORPO (10K steps, experimental)
              └─► DPO R3 (1K steps, repetition experiment)

Every arrow corresponds to a separate saved checkpoint, enabling reproduction and comparison from any stage.

Benchmark Results

Evaluated on: SLERP model (0-shot, limit=500)

Repetition suppression (greedy decoding)

Recommended inference parameters: temperature=0.7, repetition_penalty=1.2

DPO vs ORPO Comparison

ORPO's weakness: only 10K steps of training vs SFT's 65K — insufficient base instruction-following before alignment kicks in.

Usage

GGUF/Ollama not supported: Custom Mamba-2 hybrid architecture is incompatible with llama.cpp/GGUF/Ollama. PyTorch direct inference only.

Prerequisites:

# 1. Clone source code (custom architecture modules required)
git clone https://github.com/pathcosmos/EVAFRILL-Mo
cd EVAFRILL-Mo

# 2. Install dependencies
pip install torch safetensors tokenizers PyYAML

Method 1: Direct safetensors loading (recommended)

import json
import torch
from model.config import LMConfig
from model.transformer import LLM
from tokenizers import Tokenizer
from safetensors.torch import load_file as load_safetensors

CKPT = "path/to/EVAFRILL-Mo-3B/slerp"  # slerp/ directory of this repo

# Load config & model
with open(f"{CKPT}/config.json") as f:
    data = json.load(f)
for k in ("model_type", "architectures", "_variant", "_description"):
    data.pop(k, None)
cfg = LMConfig(**data)
cfg.use_flash_attn = False

model = LLM(cfg)
state = load_safetensors(f"{CKPT}/model.safetensors", device="cpu")
model.load_state_dict(state, strict=False)
model = model.to(device="cuda:0", dtype=torch.bfloat16)
model.eval()

tok = Tokenizer.from_file(f"{CKPT}/tokenizer.json")

# Generate (recommended: temp=0.7, rep_penalty=1.2)
prompt = "<|user|>\nWhat is artificial intelligence?\n<|assistant|>\n"
ids = torch.tensor([tok.encode(prompt).ids], device="cuda:0")

with torch.no_grad():
    for _ in range(256):
        logits, _ = model(ids)
        logits = logits[:, -1, :].float()
        for prev_id in set(ids[0].tolist()):
            if logits[0, prev_id] > 0: logits[0, prev_id] /= 1.2
            else: logits[0, prev_id] *= 1.2
        probs = torch.softmax(logits / 0.7, dim=-1)
        next_id = torch.multinomial(probs, 1)
        ids = torch.cat([ids, next_id], dim=1)
        if next_id.item() == tok.token_to_id("</s>"): break

print(tok.decode(ids[0].tolist()))

Method 2: Evaluation framework runner

The evafrill_runner.py in frankenstallm_test wraps the above into a simple API:

from eval_framework.evafrill_runner import generate, unload_model

result = generate("Hello, please introduce yourself.")
print(result["response"])
print(f"Speed: {result['tokens_per_sec']:.1f} TPS")
unload_model()

Setup instructions: frankenstallm_test README

System requirements: GPU VRAM 8GB+ (BF16), CPU inference possible but extremely slow (~0.5 TPS)

Reproducibility

Limitations

• 3B scale: Factual accuracy and complex multi-step reasoning are limited compared to larger models.
• GGUF/Ollama: Not supported — custom hybrid Mamba-2 architecture cannot be converted with standard tools.
• vLLM: Theoretically possible but requires custom weight key mapping.
• Greedy repetition: ~74.5% 3-gram repetition rate without repetition_penalty — always use repetition_penalty >= 1.2.
• Language coverage: Performance is not guaranteed for languages other than Korean and English.

Links

• GitHub: pathcosmos/EVAFRILL-Mo
• Predecessor: FRANKENSTALLM | 🤗 HuggingFace — Pure Transformer predecessor project
• Reference paper: Nemotron-H: A Family of Accurate and Efficient Hybrid Mamba-Transformer Models

Acknowledgment / 감사의 글

이 프로젝트는 과학기술정보통신부의 「첨단 GPU 활용 지원 사업」 (과학기술정보통신부 공고 제2025-1068호)을 통해 제공된 GPU 컴퓨팅 자원을 활용하여 수행되었습니다.

국가 AI컴퓨팅자원 지원포털: https://aiinfrahub.kr

• 주관: 과학기술정보통신부 (MSIT), 정보통신산업진흥원 (NIPA)
• 운영: 한국정보통신진흥협회 (KAIT)

대한민국 정부의 AI 인프라 지원 사업 덕분에 7× NVIDIA B200 GPU 환경에서 한국어 3B 하이브리드 Mamba-Transformer 모델을 처음부터 학습할 수 있었습니다. 국가 차원의 AI 컴퓨팅 자원 지원에 깊이 감사드립니다.

This project was conducted using GPU computing resources provided through the "Advanced GPU Utilization Support Program" (MSIT Notice No. 2025-1068) by the Ministry of Science and ICT (MSIT) of the Republic of Korea.

National AI Computing Resource Support Portal: https://aiinfrahub.kr

• Organized by: Ministry of Science and ICT (MSIT), National IT Industry Promotion Agency (NIPA)
• Operated by: Korea Association of Information & Telecommunication (KAIT)

We are deeply grateful for the national-level AI computing infrastructure support from the Korean government, which made it possible to train a Korean 3B hybrid Mamba-Transformer model from scratch on 7× NVIDIA B200 GPUs.

---

License

MIT License — free to use, modify, and distribute commercially.