/ Модель

Характеристики

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

normal-model-ablation

Генерация текстаТекст → текст3 профессии

Небольшая причинная языковая модель BananaMind с обычным плотным вниманием для экспериментов и сравнения вариантов архитектуры.

365скачиваний 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/normal-model-ablation — небольшая авторская языковая модель для генерации текста, созданная как контрольный вариант в сравнительном эксперименте со sparse-attention-моделью BananaMind/dsa-model-ablation. Она обучена с обычным плотным причинным многоголовым вниманием; архитектура включает 5 слоёв, скрытый размер 128, 4 головы, SwiGLU, RoPE, RMSNorm и связанные эмбеддинги. Модель содержит около 1,5 млн параметров, использует собственный BPE-токенизатор со словарём на 4096 токенов и поддерживает контекст до 3072 токенов.

Чекпойнт обучен на выборке FineWeb-Edu объёмом 2 млрд токенов в течение одной эпохи. Он предназначен прежде всего для контролируемого сравнения вариантов механизма внимания и небольших исследовательских экспериментов с языковыми моделями. В README приведены результаты нескольких бенчмарков, однако авторы отмечают, что при таком размере модель близка к случайному уровню на этих задачах.

Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0. KV-кэш генерации не реализован, поэтому при генерации на каждом шаге пересчитывается вся последовательность; это ограничивает эффективность вывода.

Сценарии применения

  • сравнение плотного и разреженного внимания в языковых моделях
  • учебные эксперименты с небольшими причинными языковыми моделями
  • генерация коротких текстовых продолжений для исследовательских тестов

Ограничения

Модель содержит около 1,5 млн параметров и, согласно README, близка к случайному уровню на приведённых бенчмарках. KV-кэш отсутствует, поэтому генерация пересчитывает всю последовательность 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

Standard attention ablation model (1.50M 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: Standard dense causal multi-head attention.
  • Architecture: 5 layers, hidden 128, 4 heads, SwiGLU 336, RoPE, RMSNorm, tied embeddings, vocab 4096 (custom BPE)
  • Context length: 3072
  • Params: 1,498,496
  • 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/normal-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/dsa-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
a51f7b9

0 моделей