/ Модель

Характеристики

Лицензия
MIT
Архитектура
kilat_transformer · MoE
Библиотека
kilat
Опубликована
11 июн 2026

BabyKilat

Генерация текстаТекст → текст3 профессии

BabyKilat — компактная англоязычная MoE-модель для генерации текста и экспериментов с гибридным эффективным вниманием.

30скачиваний за 30 дней0лайковвеса обновлены16 июн 2026

Бенчмарки

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

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

BabyKilat — небольшая языковая модель авторства Абдула Вахида Рукуа, созданная с нуля на собственном фреймворке Kilat. Это причинная decoder-only модель с архитектурой MoE на 140 млн параметров: четыре эксперта, из которых два активируются для каждого токена, и гибридное внимание, сочетающее линейное внимание с затуханием и сжатое латентное внимание MLA. В модели 8 слоёв, размерность эмбеддингов 512, контекст — 2048 токенов.

Модель предназначена для генерации английского текста и экспериментов с компактными языковыми моделями и эффективными механизмами внимания; автор указывает возможность запуска на потребительской видеокарте с 6 ГБ VRAM. Это базовая модель без дообучения на инструкциях, поэтому она не настроена для диалога или выполнения пользовательских команд. Чекпойнт соответствует 6000 из запланированных 50000 шагов обучения; качество ограничено небольшим размером и неполным обучением, формальные результаты оценки не опубликованы. Обучение описано на материалах FineWeb-Edu. Лицензия — MIT.

Сценарии применения

  • генерация черновиков на английском языке
  • эксперименты с компактными языковыми моделями
  • изучение архитектур MoE и гибридного внимания
  • тестирование генерации текста на потребительской видеокарте

Ограничения

Модель обучена только на английском тексте, не прошла instruction tuning и представляет собой ранний чекпойнт после 6000 из 50000 запланированных шагов. Из-за размера и неполного обучения ответы могут быть неточными; формальные результаты оценки не опубликованы.

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

⚡ BabyKilat

A Lightweight MoE Language Model with Hybrid Attention

Model Python 3.10+ PyTorch 2.0+ License: MIT

140M parameters | Trained on ~1B tokens | 6,000 steps | Free to use


Model Description

BabyKilat is a small language model featuring:

  • Hybrid Attention — Combines efficient global decay heads with precise latent MLA heads
  • Mixture-of-Experts (MoE) — 4 experts (1 shared + 3 routed), 2 active per token
  • No Positional Encoding (NoPE) — Relies on attention structure rather than explicit position embeddings
  • Lightweight Design — Runs on consumer GPUs with just 6GB VRAM (RTX 4050 compatible)
  • Built from Scratch — Trained using the custom Kilat framework

Architecture Details

ParameterValue
Embedding Dimension512
Number of Layers8
Attention Heads8
Head Dimension64
Latent Dimension128
Sequence Length2048
Vocabulary Size50,257 (GPT-2)
Total Parameters140.9M
MoE Experts4 (2 active, 1 shared)
Recall Ratio0.5 (balanced)
FF Multiplier2.667
Positional EncodingNone (NoPE)

Hybrid Attention Mechanism

Each layer splits heads into two parallel paths:

                    Input x [B, N, D]
                           │
           ┌───────────────┴────────────────┐
           │                                │
           ▼                                ▼
   ╔═══════════════════╗           ╔════════════════════╗
   ║   PATH 1          ║           ║  PATH 2           ║
   ║   Global Decay    ║           ║   Latent MLA       ║
   ║   (O(N) linear)   ║           ║   (O(N²) exact)    ║
   ╚═══════════════════╝           ╚════════════════════╝
           │                                │
           ▼                                ▼
    Efficient recurrent                  High-precision
    state update                         full attention
           │                                │
           └───────────────┬────────────────┘
                           │
                           ▼
                    Learned gate fusion
                    (per-head, per-token)
  • Global Decay Path — Linear-time attention with exponential decay, O(1) KV-cache per step
  • Latent MLA Path — Standard softmax attention with 4x compressed KV-cache
  • Recall Ratio — 0.5 means half of heads use each path, balanced for quality/efficiency

Quick Start

Option 1: Using Kilat (Recommended)

pip install git+https://github.com/Airukua/kilat.git
from kilat import KilatTransformer
from kilat.data import AutoTokenizer
import torch

model = KilatTransformer.from_pretrained("AiRukua/BabyKilat")
tokenizer = AutoTokenizer.from_pretrained("AiRukua/BabyKilat")

device = "cuda" if torch.cuda.is_available() else "cpu"
model = model.to(device).eval()

prompt = "The future of artificial intelligence"
inputs = tokenizer(prompt, return_tensors="pt").to(device)

outputs = model.generate(
    inputs.input_ids,
    max_new_tokens=100,
    do_sample=True,
    temperature=0.8,
    repetition_penalty=1.3,
    top_k=50,
    top_p=0.95,
)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Option 2: Using TextGenerator Wrapper

from kilat import KilatTransformer, TextGenerator
from kilat.data import AutoTokenizer

model = KilatTransformer.from_pretrained("AiRukua/BabyKilat")
tokenizer = AutoTokenizer.from_pretrained("AiRukua/BabyKilat")
generator = TextGenerator(model, tokenizer)

text = generator.generate(
    "The future of artificial intelligence",
    max_new_tokens=80,
    temperature=0.9,
    do_sample=True,
)
print(text)

Training Details

Want to train it yourself? Google Colab notebook available: 👉 https://colab.research.google.com/drive/1dI8NjMjxzkBBnlkzurE-OlGtKhA14vuo?usp=sharing

Dataset

  • Source: FineWeb-Edu (educational content)
  • Format: Memory-mapped numpy arrays
  • Sequence Length: 2048 tokens
  • Tokens Seen: ~123M tokens (6,000 steps × 32 batch × 8 grad accum × 2048 seq len / 1M)

Training Configuration

HyperparameterValue
OptimizerAdamW (β1=0.9, β2=0.95)
Peak Learning Rate6e-3
Weight Decay0.1
Gradient Clipping1.0
Batch Size32 × 8 grad accum = 256 effective
Sequence Length2048
Warmup Steps1,000
SchedulerWSDLR (5,000 decay steps)
PrecisionBF16
Steps Trained6,000 / 50,000

Training Results (at step 6,000)

MetricValue
Train Loss~3.33
Eval Loss3.348
Perplexity28.44

Hardware & Estimated Training Time

GPUVRAMEstimated Time
NVIDIA RTX 6000 Blackwell96GB~7 hours
RTX 40506GB~3–4 days
T4 Google Colab16GB~1–2 days

Generation Strategies

StrategyParametersUse Case
Greedydo_sample=FalseDeterministic, factual tasks
Samplingdo_sample=True, temperature=0.8Creative writing
Top-Ktop_k=50Focused diversity
Top-Ptop_p=0.95Nucleus sampling

Requirements

pip install git+https://github.com/Airukua/kilat.git
pip install torch transformers sentencepiece safetensors
  • Python 3.10+
  • PyTorch 2.0+

Repository Files

BabyKilat/
├── config.json              # Model configuration
├── config.yaml              # Human-readable config
├── model.safetensors        # Model weights (140M params)
├── tokenizer_config.json    # Tokenizer config
├── tokenizer.json           # GPT-2 tokenizer
├── vocab.json               # Vocabulary
└── merges.txt               # BPE merges

Limitations

  • English only. Trained exclusively on English text.
  • No instruction tuning. Base language model only, not aligned for chat or task completion.
  • Partially trained. This checkpoint represents 6,000 of 50,000 planned steps (~12% of full training). Quality will improve significantly with full training.
  • Limited capacity. At 140M parameters, the model underperforms larger models on knowledge-intensive benchmarks. Outputs may be factually incorrect.
  • Context window. 2,048-token context window.
  • No formal evaluation. Benchmark results have not been reported for this release.

Citation

@software{kilat2026,
  author = {Abdul Wahid Rukua},
  title  = {Kilat: Kernelized Lightweight Transformer Training Framework},
  year   = {2026},
  url    = {https://github.com/Airukua/kilat}
}

@misc{babykilat2026,
  author = {Abdul Wahid Rukua},
  title  = {BabyKilat: A Lightweight MoE Language Model},
  year   = {2026},
  publisher = {Hugging Face},
  url    = {https://huggingface.co/AiRukua/BabyKilat}
}

Author

Abdul Wahid Rukua
AI/ML Engineer & Researcher

GitHub LinkedIn HuggingFace


License

MIT License — see LICENSE for details.


Built with ⚡ Kilat — Fast, Lightweight, Transparent

Как запустить

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

GPU в ailist

Универсальный рантайм · kilat

Нельзя запустить

Архитектура kilat_transformer неизвестна transformers в образе рантайма.

Ревизия весов
14624fc

0 моделей