/ Модель

Характеристики

Параметры
96,5 млн
Лицензия
MIT
Архитектура
maba_sparse · dense
Опубликована
15 сен 2026

maba-1.5-103m

Генерация текстаТекст → текст3 профессии

Производная модели AndrewThompson1233/maba-v1.5-101m-test. Экспериментальная 96,5-миллионная языковая модель с гибридной рекуррентной и разреженной архитектурой для генерации текста и проверки архитектурных гипотез.

525скачиваний за 30 дней2лайкавеса обновлены19 сен 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

Карточка модели AndrewThompson1233/maba-1.5-103m на Hugging Face совпадает с карточкой AndrewThompson1233/maba-v1.5-101m-test, поэтому описание составлено по ней.

Maba v1.5 — экспериментальная языковая модель с примерно 96,5 млн параметров от Andrew Thompson. Она использует гибридную архитектуру: рекуррентные слои DGDA сочетаются с разреженным динамическим вниманием MABA-SA, включающим MLA и выбор Top-32; позиционное кодирование NoPE не добавляет параметров. Модель обучена с нуля на 3 044 диалоговых примерах и предназначена для генерации текста и проверки работоспособности этой архитектуры.

В карточке приведены экспериментальные сравнения качества, извлечения информации из контекста до 4 096 токенов и размера KV-кэша. README предупреждает, что реализация Maba v1.5 устарела и не предназначена для общего или производственного использования; заявленная поддержка контекста в 1 000 000 токенов относится к более новой архитектуре Maba v2, а не к этой модели. Репозиторий распространяется по лицензии MIT.

Сценарии применения

  • генерация текста в экспериментальных сценариях
  • проверка гибридной рекуррентной архитектуры языковой модели
  • сравнение разреженного внимания с линейной рекуррентной обработкой
  • изучение извлечения фактов из контекста длиной до 4 096 токенов

Ограничения

Автор характеризует чекпойнт как исследовательский демонстрационный артефакт, не предназначенный для общего или производственного использования; архитектура Maba v1.5 устарела. Результаты приведены для небольшого обучающего корпуса и ограниченных экспериментальных сравнений.

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

Maba v1.5 (103.5M)

[!WARNING] Research Proof-of-Concept - Not for General / Production Use This checkpoint is an empirical demonstration and verification artifact. It proves that the experimental architecture is functional, trainable from scratch, and numerically stable on consumer/enterprise hardware (NVIDIA L4).

⚠️ Architecture Update: The underlying maba-v1.5-exp architecture is deprecated. For the upgraded, bug-free reference implementation with 1,000,000+ context support and flat O(1) decode, see Maba v2 Architecture (GitHub).

  • Base Architecture: AndrewThompson1233/maba-v1.5-exp-architecture
  • Parameters: 103,520,911 (103.5M)
  • Core Computation Ratio: 95.21% (4.30% Vocab Tax)
  • Macro-Stack: 3:1 (15 DGDA Recurrence : 5 MABA-SA Dynamic Sparse Attention)
  • Positional Encoding: Strict NoPE (0 parameters)
  • Training Corpus: 3,044 dialogue pairs on NVIDIA L4 (bfloat16)

Empirical Benchmark vs Qwen3.8-Flash-Next (101.7M)

Evaluated under identical training budgets (3,044 dialogues, 15 epochs, bfloat16, NVIDIA L4):

MetricMaba v1.5-expQwen3.8-Flash-NextDelta / Advantage
Parameters103,520,911 (103.5M)101,701,120 (101.7M)0.2% parity
Architecture75% DGDA + 25% MABA-SA75% GDN + 25% QSA + MoECyclic 3:1
Positional EncodingStrict NoPE (0 params)25% Partial RoPEZero positional overhead
Contrastive Retrieval (MCQ)87.5% (7/8)75.0% (6/8)+12.5% accuracy
Validation Loss0.06970.0778-10.4% entropy
Validation Perplexity (PPL)1.071.08Maba wins
Decode Throughput (L4)7.0 tok/s5.5 tok/s+27.3% faster generation

Attention Ablation Proof

Empirical demonstration of the contribution of the 25% MABA-SA dynamic sparse attention layers against a pure linear recurrent baseline on the exact same checkpoint weights:

Model VariantAttention MechanismValidation LossPerplexity (PPL)Error Reduction
Pure DGDA (Ablation)None (100% Linear Recurrence)3.936051.21Baseline
Qwen3.8-Flash-NextQSA (GQA + Micro-block Indexer)3.877248.29-5.7% vs Recurrence
Maba v1.5 FullMABA-SA (MLA + Top-32 + HCA)3.590336.24-29.2% error drop

Needle-In-A-Haystack & Centroid Retrieval (512 to 4096 Tokens)

Context LengthNeedle PositionNeedle BlockDG-Indexer (Hybrid Mean+Max)Standard Pure Mean Pooling
512 tokens51 (10%)Block #0Retrieved (Top-32)Retrieved
512 tokens256 (50%)Block #4Retrieved (Top-32)Retrieved
512 tokens460 (90%)Block #7Retrieved (Top-32)Retrieved
1024 tokens102 (10%)Block #1Retrieved (Top-32)Retrieved
1024 tokens512 (50%)Block #8Retrieved (Top-32)Retrieved
1024 tokens921 (90%)Block #14Retrieved (Top-32)Retrieved
2048 tokens204 (10%)Block #3Retrieved (Top-32)Retrieved
2048 tokens1024 (50%)Block #16Retrieved (Top-32)Retrieved
2048 tokens1843 (90%)Block #28Retrieved (Top-32)Retrieved
4096 tokens2048 (50% Lost-in-Middle)Block #32Retrieved (Top-32)Diluted to 0.0 (Failed)
4096 tokens3686 (90%)Block #57Retrieved (Top-32)Retrieved

KV-Cache Footprint at 4k Context

Context LengthDense Attention (Baseline)Qwen3.8-Flash-NextMaba v1.5 (MLA + Top-32)Memory Reduction vs Dense
512 tokens25.00 MB1.00 MB0.62 MB-97.5%
1,024 tokens50.00 MB2.00 MB1.25 MB-97.5%
2,048 tokens100.00 MB4.00 MB2.50 MB-97.5%
4,096 tokens200.00 MB8.00 MB2.50 MB-98.8%

How to Use

Load the base architecture from AndrewThompson1233/maba-v1.5-exp-architecture and load the weights:

import sys
import subprocess
import torch
from huggingface_hub import hf_hub_download
from safetensors.torch import load_file
from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("gpt2")

if "maba-v1.5-exp-architecture" not in sys.path:
    subprocess.run(["git", "clone", "https://huggingface.co/AndrewThompson1233/maba-v1.5-exp-architecture"], check=False)
    sys.path.insert(0, "maba-v1.5-exp-architecture")

from maba_sparse.config import MabaSparseConfig
from maba_sparse.model import MabaSparseForCausalLM

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
cfg = MabaSparseConfig(vocab_size=len(tokenizer), dim=640, d_emb=128, intermediate_size=1248, n_layers=20)
model = MabaSparseForCausalLM(cfg).to(device)

weights_path = hf_hub_download(repo_id="AndrewThompson1233/maba-1.5-103m", filename="model.safetensors")
weights = load_file(weights_path)
model.load_state_dict(weights)
model.eval()

prompt = "User: tell me a joke\nAssistant: "
input_ids = tokenizer.encode(prompt, return_tensors="pt").to(device)

with torch.no_grad():
    with torch.amp.autocast(device_type="cuda", dtype=torch.bfloat16):
        output_ids = model.generate(input_ids, max_new_tokens=35, temperature=0.0)

print(tokenizer.decode(output_ids[0][input_ids.shape[1]:], skip_special_tokens=True).strip())

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура maba_sparse неизвестна transformers в образе рантайма.

Класс архитектуры
MabaSparseForCausalLM
Ревизия весов
6038135

0 моделей