/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
1,2 млрд
Лицензия
MIT
Архитектура
llama · dense
Библиотека
transformers
Опубликована
4 сен 2026

comp-vs-like-1B-topdowncomp-128k

Генерация текстаТекст → текст3 профессии

Исследовательская Llama-подобная модель на 1,2 млрд параметров с токенизатором TopDownComp для изучения влияния токенизации на качество языкового моделирования.

114скачиваний за 30 дней0лайковвеса обновлены4 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

AhmetcanYvz/comp-vs-like-1B-topdowncomp-128k — плотная языковая модель в стиле Llama, созданная для исследования токенизации в работе «Objective vs. Search: Decomposing What Makes a Good Tokeniser». Модель содержит около 1,2 млрд параметров и использует токенизатор TopDownComp с алгоритмом сжатия и нисходящим отсечением токенов; размер словаря — 128 тысяч. В архитектуре 22 слоя, размер скрытого состояния 2048, 32 головы внимания и 4 головы KV; эмбеддинги связаны. Метаданные указывают библиотеку Transformers и контекст 2048 токенов.

Модель обучена на 20 млрд токенов корпуса FineWeb-Edu на английском языке. Она предназначена для экспериментов с языковым моделированием и сравнения токенизаторов по метрикам вроде bits-per-byte и BLiMP; варианты коллекции различаются токенизатором, чтобы изучать его влияние. Это базовая модель без дообучения для следования инструкциям, поэтому она не предназначена для обычного диалогового применения или развёртывания. По README модель исследовательская, не прошла фильтрацию безопасности; лицензия MIT.

Сценарии применения

  • сравнение стратегий токенизации в языковых моделях
  • эксперименты с метрикой bits-per-byte
  • оценка языкового моделирования на тесте BLiMP
  • генерация продолжений англоязычного текста для исследований

Ограничения

Модель не дообучена для следования инструкциям, не фильтровалась по безопасности и не предназначена для развёртывания. Контекст модели составляет 2048 токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

comp-vs-like-1B-topdowncomp-128k

A 1.2B-parameter Llama-style language model trained with the TopDownComp tokeniser, from Objective vs. Search: Decomposing What Makes a Good Tokeniser (EMNLP 2026).

The paper separates two axes that BPE and UnigramLM confound. This model occupies the cell:

Compression objectiveLog-likelihood objective
Bottom-up mergingBPEBottomUpLL
Top-down pruningTopDownCompUnigramLM

This model: TopDownComp — compression objective, top-down pruning.

All models in the collection are identical except for the tokeniser, so differences in bits-per-byte and BLiMP are attributable to tokeniser design alone.

Training

Parameters1.23B (2048 hidden, 22 layers, 32 heads, 4 KV heads, tied embeddings)
Tokenisertopdowncomp-128k, vocabulary 128,000
CorpusFineWeb-Edu (English)
Tokens20B (76,293 steps x 128 sequences x 2048 tokens)
Sequence length2048
OptimiserAdamW (0.9, 0.95), weight decay 0.1, grad clip 1.0
LR6e-4, 2000 warmup / 2000 decay steps, min ratio 0.01
Precisionbf16
Seed42

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

tok = AutoTokenizer.from_pretrained("AhmetcanYvz/comp-vs-like-1B-topdowncomp-128k")
model = AutoModelForCausalLM.from_pretrained("AhmetcanYvz/comp-vs-like-1B-topdowncomp-128k")

ids = tok("The capital of France is", return_tensors="pt").input_ids
print(tok.decode(model.generate(ids, max_new_tokens=20)[0]))

The tokeniser is bundled with the model, so no separate download is needed.

Caveats

This is a research model trained on 20B tokens to study tokenisation. It is not instruction-tuned, not filtered for safety, and not intended for deployment.

Code

https://github.com/Ahmetcanyvz/comp-vs-like

Citation

@inproceedings{yavuz2026objective,
  title     = {Objective vs. Search: Decomposing What Makes a Good Tokeniser},
  author    = {Yavuz, Ahmetcan and Meister, Clara and Pimentel, Tiago},
  booktitle = {Proceedings of the 2026 Conference on Empirical Methods in Natural Language Processing (EMNLP)},
  year      = {2026}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
1753a71

0 моделей