/ Модель

Характеристики

Контекст
3 072 токена
Параметры
1,5 млн
Лицензия
Apache 2.0
Архитектура
ablation_lm · dense
Библиотека
transformers
Опубликована
2 окт 2026

dsa-model-ablation

Генерация текстаТекст → текст3 профессии

Экспериментальная компактная языковая модель BananaMind с разреженным вниманием DSA для сравнения схем внимания и генерации текста.

848скачиваний за 30 дней0лайковвеса обновлены2 окт 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

BananaMind/dsa-model-ablation — экспериментальная языковая модель для генерации текста, созданная BananaMind в рамках контролируемого сравнения разреженного и стандартного внимания. Это причинная модель на базе Transformers с пятью слоями, шириной скрытого состояния 128, четырьмя головами внимания и 1,53 млн параметров. Используются RoPE, RMSNorm, SwiGLU, связанные эмбеддинги и токенизатор custom BPE с словарём из 4096 токенов.

Модель обучалась на выборке FineWeb-Edu объёмом 2 млрд токенов за одну эпоху. В механизме DeepSeek Sparse Attention индексатор выбирает до 512 ключей для каждого запроса; первые 10% шагов обучения использовалось плотное внимание для разогрева индексатора. Контекст составляет 3072 токена. Модель предназначена прежде всего для абляционного эксперимента и сравнения схем внимания, а не для практических задач генерации: по README, результаты на нескольких бенчмарках близки к случайному уровню.

Для загрузки используются Transformers и `trust_remote_code=True`. KV-кэш не реализован, поэтому генерация повторно обрабатывает всю последовательность на каждом шаге и может быть медленной. Лицензия — Apache-2.0. Языковая поддержка в карточке не обозначена.

Сценарии применения

  • сравнение разреженного DSA и стандартного внимания
  • воспроизведение контролируемого эксперимента по абляции внимания
  • изучение индексатора ключей и разреженного внимания в небольшой языковой модели

Ограничения

Модель очень мала, и её результаты на указанных бенчмарках близки к случайному уровню; README также отмечает, что короткие тестовые запросы не показывают преимуществ DSA. KV-кэш отсутствует, поэтому генерация повторно обрабатывает весь контекст на каждом шаге.

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

DSA ablation model (1.53M params, 3072 context)

Part of a controlled ablation: BananaMind/dsa-model-ablation (DSA) vs BananaMind/normal-model-ablation (standard attention). Same seed, data order, tokenizer, architecture and hyper-parameters. Only the attention differs.

  • Attention: DeepSeek Sparse Attention (DSA): a lightning indexer (ReLU, 2 heads x dim 16) selects the top-512 keys per query; the indexer is trained with a KL loss against the (detached) main attention distribution. The first 10% of steps use dense attention (indexer warm-up), the rest use sparse attention.
  • Architecture: 5 layers, hidden 128, 4 heads, SwiGLU 336, RoPE, RMSNorm, tied embeddings, vocab 4096 (custom BPE)
  • Context length: 3072
  • Params: 1,530,496 (1,498,496 excluding the DSA indexers)
  • Data: HuggingFaceFW/fineweb-edu (sample-10BT), 2000M tokens, 1 epoch, seed 1337
  • Optimiser: AdamW lr 0.002 (cosine), batch 16x3072 tokens, bf16 autocast

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer
repo = "BananaMind/dsa-model-ablation"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, trust_remote_code=True)

(No KV cache is implemented; generate recomputes the full sequence each step.)

Benchmarks (0-shot, lm-evaluation-harness; acc / acc_norm where available)

ModelParamsVal lossVal pplpiqahellaswagarc_easyarc_challenge
DSA1,530,4963.415030.4254.90 / 53.0526.84 / 26.7230.18 / 31.0216.98 / 20.73
Standard1,498,4963.424830.7253.81 / 53.7526.86 / 26.7530.68 / 31.4417.83 / 20.99

Per-model raw results: benchmarks/results.json. Comparison with the other model: benchmarks/comparison.md (other repo: BananaMind/normal-model-ablation). Training curve: train_log.json.

Note: at this size models are close to chance on these benchmarks, and the benchmark prompts are shorter than the top-k (512), where DSA selects every token and behaves identically to dense attention at inference, so differences mostly reflect how training differed.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
AblationForCausalLM
Ревизия весов
848c922

0 моделей