Возможности
От схемы до своей языковой модели
Цвет метки — род блока на сцене: слои с весами, смешивание, данные, цель, функции.
Собрать
Слои с весами, внимание, смесь экспертов, свёртки, рекуррентные блоки. Готовые шаблоны современных сетей: Llama 3, Qwen3, Gemma 3, DeepSeek V3, gpt-oss, Mamba-2 и гибриды. Свой блок пишется один раз и ставится где угодно; помощник правит программу по просьбе словами (бета).
Учить и понимать зачем
На своей видеокарте или процессоре: кривая потерь вживую, свои данные — текст, картинки, звук, таблицы, графы. Курс «своя языковая модель с нуля» — 15 уроков в окне: у каждого шага «Зачем», а после действия — что изменилось в сети и что это значит.
Понять и вылечить
Линзы показывают на сцене, где веса, счёт, время, память и польза. Доктор учёбы находит мёртвые блоки, затухающий градиент и первый nan, предлагает лечение и показывает «до / после» на одном графике. Ушло в nan — рядом ляжет сбой.py на чистом PyTorch, который повторяет сбой одной командой.
Перенести
Импорт: веса Hugging Face, код PyTorch, ONNX из TensorFlow, Keras и JAX. Выгрузка: Hugging Face, GGUF для llama.cpp, ONNX со сверкой. Из Python — zhele.compile("модель.zhele").
Менять на ходу
Поправьте сеть посреди обучения и посмотрите план «Применить живьём»: какие веса сохранятся, какие начнут с нуля. В истории можно выбрать снимок и начать отдельную ветку с его весами, состоянием оптимизатора и генераторов случайных чисел.
Проверять и сравнивать
Задайте проверки модели и отделите стражи от учебных примеров. Счётчики и фильтры помогают найти ошибки; JSONL-пул собирает порцию из явно заданных новых примеров с исключением дублей и отложенных входов. Для настоящего GGUF отчёт показывает SHA256, исполнитель, покрытие и отдельно совпадение вердиктов и ответов. Неполная проверка остаётся неполной.