🚀 SonofGPT-0-ULTRA (~490M)

SonofGPT-0-ULTRA — официальная флагманская языковая модель нового поколения, разработанная sonofstrange специально для экосистемы сервера Xr9k Network (основатель Minixr9k).

Модель создана методом глубокого дообучения (LoRA SFT) на базе передовой архитектуры Qwen2.5-0.5B-Instruct (~490M параметров, < 1 млрд).

🌟 Ключевые возможности

Естественный диалог и личность (без системных промптов):
- Без необходимости системных промптов осознает себя как SonofGPT-0-ULTRA.
- Знает своего создателя (sonofstrange) и сервер (Xr9k Network).
Точные науки и программирование:
- Пошаговые логические рассуждения в тегах <think>.
- Решение уравнений, расчет кинематики, физических законов и процентов.
- Написание чистого кода на Python (алгоритмы, pandas, работа со структурами данных).
Экспертиза по режиму InfiniFish (Кастомная рыбалка):
- Полная база знаний по механике поплавка (5 типов поведения рыбы: Смешанные, Гладкие, Грузиловые, Поплавковые, Дротиковые).
- Топовые мета-билды снаряжения (Иридиевая удочка + Руна богатства + Дикая наживка + Элитная наживка = +175% удачи и 3 рыбы за вылов).
- Правила снастей: лимит 1 руна на удочку, механика конфликта Обычной и Элитной наживки.
- Данжи: Грибная пещера (12–40 комнат, скалирование сложности пати, воскрешение через Изумрудный гриб).
- Боссы и лут: минимальный порог урона 5% HP, гарант 101% vs скейлинг шанса по Ratio урона, механика переполнения Overflow.
- Кузница Вальдхара, Тёмный аукцион у Сириуса и личные участки.

💻 Использование через Transformers

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "sonofstrange/SonofGPT-0-ULTRA"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    dtype=torch.bfloat16,
    device_map="auto"
)

query = "Какая удочка лучшая в InfiniFish и какой у неё мета-сетап?"
messages = [{"role": "user", "content": query}]

text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer([text], return_tensors="pt").to(model.device)

with torch.no_grad():
    outputs = model.generate(
        **inputs,
        max_new_tokens=300,
        do_sample=True,
        temperature=0.3,
        top_p=0.85,
        repetition_penalty=1.1,
        pad_token_id=tokenizer.pad_token_id
    )

response = tokenizer.decode(outputs[0][inputs.input_ids.shape[1]:], skip_special_tokens=True)
print(response)