/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
120 млн
Лицензия
MIT
Архитектура
maba_sparse · dense
Библиотека
transformers
Опубликована
13 сен 2026

maba-v1.5-exp-architecture

Генерация текстаТекст → текст3 профессии

Maba v1.5 Experimental Architecture — экспериментальная гибридная языковая архитектура, разработанная AndrewThompson1233.

1 082скачиваний за 30 дней5лайковвеса обновлены1 окт 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

Она реализована на PyTorch и предназначена как справочная спецификация и движок для авторегрессионных моделей обработки текста. Архитектура поддерживает масштабирование примерно от 100 млн до 30 млрд параметров, однако README подробно описывает эталонную конфигурацию на 101,28 млн параметров.

Модель сочетает 75% блоков Decoupled Gated Delta Attention (DGDA) с линейной рекуррентностью и 25% глобального внимания MABA-SA. DGDA использует независимые управляющие механизмы для стирания ключей и записи значений, канальное затухание и чанковое параллельное заполнение. MABA-SA основана на низкоранговом сжатии key-value, строгом NoPE без позиционных эмбеддингов, разреженном выборе 32 наиболее релевантных блоков и трёхпоточном объединении локального, разреженного и иерархического контекстов. Также заявлены факторизованные эмбеддинги, SwiGLU, RMSNorm и встроенные Multi-Token Prediction с k=2 для спекулятивной генерации.

К сильным сторонам относятся субквадратичная гибридная обработка, постоянный размер рекуррентного состояния, существенно сниженная нагрузка на KV-кэш и поддержка длинного контекста. Для эталонной конфигурации заявлены 2,50 МБ KV-кэша при контексте 4K и 2,50 МБ активной памяти при контексте 1M, а также 152 успешно пройденных теста. Эти характеристики приведены в README и не заменяют независимую проверку. Архитектура официально объявлена устаревшей; автор рекомендует переходить на Maba v2. Предобученные веса и оценки downstream-задач в данном репозитории отсутствуют, поэтому практическое качество модели не подтверждено.

Лицензия — MIT. В README указан английский язык, но сведения о полном наборе поддерживаемых языков и фактической длине контекста для обученных моделей не приведены.

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-exp Architecture

Reference PyTorch implementation of the Maba v1.5 experimental hybrid architecture (DGDA recurrence and MABA-SA sparse attention).

Note: For the production release, see Maba v2 Architecture.

Maba v1.5 is an interleaved sub-quadratic hybrid model combining:

  • 75% Decoupled Gated Delta Attention (DGDA): Linear recurrence with independent key erase gate b_t, value write gate w_t, channel-wise negative-softplus decay alpha_t, and chunkwise parallel prefill (C=16) via Order-3 Neumann series inversion.
  • 25% Global MABA-SA Attention: Low-rank MLA key-value compression (d_c=128), strict NoPE (no positional embeddings), Delta-Guided Centroid Indexing (Top-32 blocks), and 3-stream output superposition (Local window + Top-32 sparse blocks + 64:1 HCA).
  • High Computation Core (95.21%): Factorized token embeddings (32,768 -> 128 -> 640) constrain vocabulary tax to 4.30%, leaving 95.21% of parameters for sequence modeling layers.
  • Native Speculative Drafter: Built-in Multi-Token Prediction (MTP k=2) heads for parallel token verification without companion models.

Documentation Index

Detailed technical documentation is organized across dedicated files:

  • SCALING.md: Multi-scale parameter derivations from 100M to 30B, KV cache scaling to 1M context, and audits against 2026 foundation architectures (Qwen3.5, Muse-30B, Gemma4).
  • BENCHMARK_REPORT.md: Empirical test verification, state memory invariance, and runtime scaling benchmarks.
  • MABA_SPARSE_SPEC_AND_ROADMAP.md: Full mathematical derivations, proofs, gate mechanics, and algorithm pseudo-code.


Architectural Comparison

MetricMaba v1.5-expMaba v1.1Maba v1.0 LegacyQwen 3.8Qwen 3.8 Flash NextMiniCPM5
Parameter Budget101.28M101.18M101.18M101.15M101.13M100.40M
Core Computation Ratio95.21%95.21%95.21%75.00%74.99%79.20%
Recurrence Engine (75%)DGDA (Decoupled)GDN-2 (Tied Gate)GDN (Standard)GDN (Standard)GDN (Standard)0% (Pure Attention)
Chunk InversionNeumann-3 + FallbackSequentialSequentialSequentialSequentialN/A
Attention Engine (25%)MABA-SA (MLA+Top32+HCA)GQA (4:1)GQA (4:1)GQA (4:1)QSA (Sparse)100% GQA
Positional EncodingStrict NoPERoPERoPERoPERoPERoPE
KV Cache Footprint (4k)2.50 MB (-94.0%)10.00 MB (-76.2%)10.00 MB (-76.2%)10.00 MB (-76.2%)2.50 MB (-94.0%)42.00 MB (Baseline)
Recurrent State (O(1))2.45 MB1.17 MB1.17 MB1.17 MB1.17 MB0.00 MB
Active Memory @ 1M Context2.50 MB (-99.97%)2,560.00 MB2,560.00 MB2,560.00 MB640.00 MB10,752.00 MB
Speculative HeadsBuilt-in MTP (k=2)Built-in MTP (k=2)NoneBuilt-in MTP (k=2)Built-in MTP (k=2)None

[!NOTE] Pretrained Weights and Downstream Evaluation This repository contains the reference architectural specification and PyTorch engine. Downstream task evaluations (ARC-Easy, HellaSwag, Story Cloze) and trained Safetensors weights will be published in the dedicated model weights repository upon completing pretraining runs.


Exact Parameter & Memory Breakdown (101M Reference Model)

1. Parameter Accounting

ComponentSub-LayersExact Parameters% of TotalFunction
Factorized EmbeddingW_emb (32,768 x 128)4,194,3044.14%Token lookup table
Embedding ProjectionsW_proj_in + W_proj_out163,8400.16%Rank 128 <-> Dim 640
Embedding SubtotalVocab Tax4,358,1444.30%Static parameter overhead
15 DGDA Recurrence BlocksDGDA Mixer + SwiGLU FFN + RMSNorm74,908,80073.96%Linear O(1) recurrence & gating
5 MABA-SA Attention BlocksMLA Attention + DG-Indexer + SwiGLU21,522,56021.25%Dynamic sparse attention routing
Computation CoreAll 20 Physical Blocks96,431,36095.21%Core sequence modeling
Final RMSNormLayer normalization gain640<0.01%Final feature variance scale
MTP Auxiliary Headk=2 projection and norm492,1600.49%Native speculative verification
Total ArchitectureFull Model Parameters101,282,319100.00%101.28M parameter budget

2. State Memory Scaling Across Context Horizons

Context Length (Tokens)Maba v1.5-exp CacheMaba v1.1 CacheQwen 3.8 CacheQwen 3.8 Flash NextPure Attention (Dense)Memory Reduction vs Dense
1,024 (1k)1.25 MB2.50 MB2.50 MB1.25 MB10.50 MB-88.1%
2,048 (2k)1.88 MB5.00 MB5.00 MB1.88 MB21.00 MB-91.0%
4,096 (4k)2.50 MB10.00 MB10.00 MB2.50 MB42.00 MB-94.0%
8,192 (8k)5.00 MB20.00 MB20.00 MB5.00 MB84.00 MB-94.0%
16,384 (16k)10.00 MB40.00 MB40.00 MB10.00 MB168.00 MB-94.0%
32,768 (32k)20.00 MB80.00 MB80.00 MB20.00 MB336.00 MB-94.0%
65,536 (64k)40.00 MB160.00 MB160.00 MB40.00 MB672.00 MB-94.0%
131,072 (128k)80.00 MB320.00 MB320.00 MB80.00 MB1,344.00 MB-94.0%
1,048,576 (1M)2.50 MB*2,560.00 MB2,560.00 MB640.00 MB10,752.00 MB-99.97%

* Note on 1M Context: The DG-Indexer selects Top-32 blocks (2048 active tokens), bounding working attention memory at 2.50 MB regardless of sequence length.


Core Formulation Reference

Clean mathematical representations without complex LaTeX macros:

1. Recurrence Step (DGDA, 75% of layers):
   State Update : S_t = diag(alpha_t) * S_{t-1} - k_t * ((b_t * k_t)^T * diag(alpha_t) * S_{t-1}) + (w_t * v_t) * k_t^T
   Readout      : o_t = q_t * S_t
   Where        : b_t in [0, 1]^d_k (erase gate), w_t in [0, 1]^d_v (write gate)
                  alpha_t = exp(-softplus(x_t * W_alpha)) (channel-wise decay)

2. Dynamic Sparse Attention (MABA-SA, 25% of layers):
   KV Latent    : c_t = W_down * x_t  (compressed from dim 640 to rank 128)
   Centroids    : C_i = 0.5 * mean(Block_i) + 0.5 * max(Block_i)
   Block Score  : Score(q_t, C_i) = q_t * C_i^T - lambda * log(1 + |t/B - i|)
   Routing      : Dynamically queries the Top-32 most salient blocks of size B=64

3. 3-Stream Output Superposition:
   O_t = g_local * O_local + g_sparse * O_sparse + g_hca * O_hca
   Where {g_local, g_sparse, g_hca} = softmax(x_t * W_gate)
   - Stream 1: Local window W=128 + 4 attention sinks
   - Stream 2: Dynamic Top-32 sparse blocks
   - Stream 3: 64:1 macro-averaged compressed history (HCA)

Tests

The test suite verifies numerical stability, boundary sequence lengths, causal masking, and O(1) state memory invariance:

pytest -q

Quick Start & Reference API

1. Installation

git clone https://huggingface.co/AndrewThompson1233/maba-v1.5-exp-architecture
cd maba-v1.5-exp-architecture
pip install -e .

2. Autoregressive Generation

import torch
from maba_sparse.config import MabaSparseConfig
from maba_sparse.model import MabaSparseForCausalLM, get_101m_config

# Initialize 101M reference model
cfg = get_101m_config()
model = MabaSparseForCausalLM(cfg)

# Autoregressive generation
prompt = torch.tensor([[101, 2045, 312]])
generated = model.generate(prompt, max_new_tokens=32, temperature=0.7)
print("Generated token sequence:", generated.tolist())

3. Training & Benchmarking

# Model training smoke test
python train.py --model maba_sparse --steps 5 --batch_size 2 --seq_len 64

# Benchmark latency and state memory scaling
python benchmark.py --contexts 512,1024,2048,4096 --warmup 1 --repeats 2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
MabaSparseForCausalLM
Ревизия весов
ce4147b

0 моделей