Instructions to use MatUserMTV/I.Good-1.2-coder with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Notebooks
- Google Colab
- Kaggle
- Local Apps Settings
- llama.cpp
How to use MatUserMTV/I.Good-1.2-coder with llama.cpp:
Install (macOS, Linux)
curl -LsSf https://llama.app/install.sh | sh # Start a local OpenAI-compatible server with a web UI: llama serve -hf MatUserMTV/I.Good-1.2-coder # Run inference directly in the terminal: llama cli -hf MatUserMTV/I.Good-1.2-coder
Install from WinGet (Windows)
winget install llama.cpp # Start a local OpenAI-compatible server with a web UI: llama serve -hf MatUserMTV/I.Good-1.2-coder # Run inference directly in the terminal: llama cli -hf MatUserMTV/I.Good-1.2-coder
Build from source code
git clone https://github.com/ggml-org/llama.cpp.git cd llama.cpp cmake -B build cmake --build build -j --target llama-app # Start a local OpenAI-compatible server with a web UI: ./build/bin/llama serve -hf MatUserMTV/I.Good-1.2-coder # Run inference directly in the terminal: ./build/bin/llama cli -hf MatUserMTV/I.Good-1.2-coder
Use Docker
docker model run hf.co/MatUserMTV/I.Good-1.2-coder
- Llama new
- LM Studio
- Jan
- vLLM
How to use MatUserMTV/I.Good-1.2-coder with vLLM:
Install from pip and serve model
# Install vLLM from pip: pip install vllm # Start the vLLM server: vllm serve "MatUserMTV/I.Good-1.2-coder" # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:8000/v1/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "MatUserMTV/I.Good-1.2-coder", "prompt": "Once upon a time,", "max_tokens": 512, "temperature": 0.5 }'Use Docker
docker model run hf.co/MatUserMTV/I.Good-1.2-coder
- Ollama
How to use MatUserMTV/I.Good-1.2-coder with Ollama:
ollama run hf.co/MatUserMTV/I.Good-1.2-coder
- Unsloth Desktop
- Docker Model Runner
How to use MatUserMTV/I.Good-1.2-coder with Docker Model Runner:
docker model run hf.co/MatUserMTV/I.Good-1.2-coder
- Lemonade
How to use MatUserMTV/I.Good-1.2-coder with Lemonade:
Pull the model
# Download Lemonade from https://lemonade-server.ai/ lemonade pull MatUserMTV/I.Good-1.2-coder
Run and chat with the model
lemonade run user.I.Good-1.2-coder-{{QUANT_TAG}}List all available models
lemonade list
- Atomic Chat
I.Good 1.2 Coder — 8.9M параметров, обученная на HTML/JS
I.Good 1.2 Coder — это специализированная версия моей серии I.Good, обученная с нуля исключительно на HTML-коде, CSS и JavaScript.
Это не ChatGPT и не Copilot. Это 8.9M параметров, которые знают все HTML-теги наизусть, но понятия не имеют, что такое человеческий язык. Модель обучалась на серверном процессоре Intel Xeon без использования видеокарт.
🎭 Примеры генерации (Честно)
Запрос: <|user|> напиши кнопку "я тут"<|assistant|>
Ответ модели:
</p>
<label>
<span>
<input type="reg src="emarea>
<label><input type="time="Сырой HTML</p>Стки не отлинарный текту:</label>
<input type="Содержимое</p>
<span itemprop="Пеблямогресладка: <label="Кон:</p>
Да, это бред. Но обратите внимание: она знает теги <label>, <input>, <span> и атрибуты type="...">.
Запрос: <|user|>Напиши HTML страницу с тегами h1, p<|assistant|><!DOCTYPE html><html><body>
Ответ модели:
<h4 class="hint">
<h2>This isFari
<div class="world-modal">
<p>
<h3 id="card">
Здесь видно, что она выучила структуру, помнит классы (world-modal, hint) и вкладывает теги.
🏗️ Архитектура и обучение
| Параметр | Значение |
|---|---|
| Параметров | 8,946,432 |
| Слоёв (n_layer) | 6 |
| Голов внимания | 8 |
| Размер hidden | 320 |
| Контекст | 512 токенов |
| Токенизатор | BPE, 4096 токенов |
| Train Loss (финал) | 0.86 |
| Железо | Intel Xeon E5-2690 v4 (без GPU) |
| Время | ~1 час |
| Данные | 400 КБ чистого HTML + 86 КБ JS (Tycoon) |
🧠 Почему она так делает? (Catastrophic Forgetting)
В процессе обучения модель столкнулась с двумя датасетами:
- Чистый HTML (400 КБ) — простые страницы с
<div>,<h1>,<p>. - AI Tycoon (86 КБ) — сложный JS-код с регулярными выражениями (regex) и математикой.
Из-за того, что модель слишком маленькая (8.9M), она не смогла разделить эти два домена. В результате:
- Если вы просите HTML — она выдает теги, но часто забывает их закрыть.
- Если вы просите JS — она выдает куски регулярных выражений (regex) из Tycoon.
- Loss 0.86 означает, что модель почти зазубрила датасет, но из-за нехватки параметров путается в логике.
🛠️ Как использовать (KoboldCPP)
Из-за того, что модель обучена на специфическом формате, важно использовать "затравку" (priming):
- Скачайте
model.gguf. - Запустите в KoboldCPP.
- Context Size: 512
- Temperature: 0.1 – 0.2 (чтобы код был строгим).
- Stop Sequences:
<|user|>,<|endoftext|> - Промпт для теста:
<|user|>Напиши HTML страницу с тегами h1, p<|assistant|><!DOCTYPE html><html><body>
- Downloads last month
- 20
We're not able to determine the quantization variants.