/ Модель

Характеристики

Размер весов
5,6 ГБ
Лицензия
MIT
Архитектура
muddpythia · dense
Библиотека
transformers
Опубликована
12 фев 2025

MUDDPythia-2.8B

Генерация текстаТекст → текст3 профессии

Предварительно обученная англоязычная модель на 2,8 млрд параметров для генерации текста с архитектурой MUDDFormer.

177скачиваний за 30 дней1лайквеса обновлены13 мая 2025

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

MUDDPythia-2.8B — предварительно обученная языковая модель от Caiyun AI, построенная на архитектуре MUDDPythia. По сравнению с Pythia-2.8B она использует MUDDFormer с динамическими плотными связями между слоями, призванными улучшить передачу информации и снизить ограничения остаточных связей. Модель обучена на корпусе The Pile объёмом 300 млрд токенов и содержит 2,8 млрд параметров.

Модель предназначена для генерации текста и может служить основой для экспериментов и приложений, которым нужна автодополняющая языковая модель. Для запуска README рекомендует Transformers и ускорение через torch.compile; опубликованы веса в формате safetensors и код обучения на JAX. Метаданные указывают английский язык и лицензию MIT. В карточке не приведены сведения о длине контекста или конкретных результатах оценки качества.

Сценарии применения

  • генерация продолжений текста на английском языке
  • автодополнение английских текстов
  • эксперименты с архитектурами языковых моделей
  • создание базовой модели для последующего дообучения

Ограничения

Карточка не сообщает длину контекста и результаты оценок качества. Модель описана как предварительно обученная, поэтому для специализированных сценариев может потребоваться дополнительная настройка.

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

In comparison with Pythia-2.8B, MUDDPythia-2.8B is a pretrained language model on the Pile with 300B tokens, which uses a simple yet effective method to address the limitations of residual connections and enhance cross-layer information flow in Transformers. Please see downstrem evaluations and more details in the paper(MUDDFormer: Breaking Residual Bottlenecks in Transformers via Multiway Dynamic Dense Connections). In addition, we open-source Jax training code on (Github).

We recommend compiled version of MUDDPythia with torch.compile for inference acceleration. Please refer to Generation section for compile implementation.

Usage

Env

pip install transformers==4.40.2 torch==2.5.1 einops==0.8.0

Generation

import time
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

import os
os.environ['TOKENIZERS_PARALLELISM'] = 'false'

device = torch.device('cuda:0')
dtype = torch.bfloat16
MAX_BATCH_SIZE = 1
MAX_SEQ_LENGTH = 2048
NUM_TOKENS_TO_GENERATE = 10
COMPILE = True
OPTIMIZED_COMPILE = False 

if OPTIMIZED_COMPILE: 
    import torch._dynamo.config
    import torch._inductor.config
    torch._dynamo.config.cache_size_limit = 64
    torch._inductor.config.coordinate_descent_tuning = True
    torch._inductor.config.triton.unique_kernel_names = True
    torch._inductor.config.fx_graph_cache = True

tokenizer = AutoTokenizer.from_pretrained("Caiyun-AI/MUDDPythia-2.8B")
model = AutoModelForCausalLM.from_pretrained("Caiyun-AI/MUDDPythia-2.8B", trust_remote_code=True)

_ = model.to(device=device,dtype=dtype)
with torch.device(device):
    model.setup_caches(max_batch_size=MAX_BATCH_SIZE, max_seq_length=MAX_SEQ_LENGTH,dtype=dtype)

def decode_one_token(model, cur_token, input_pos):
    logits = model(cur_token, input_pos=input_pos, return_tensor=True)
    new_token = torch.argmax(logits[:, -1], dim=-1)[:,None]
    return new_token

prompt = "Beijing is the capital of China. London is the capital of"
input_ids = tokenizer.encode(prompt, return_tensors='pt')

compiled_decode_one_token = torch.compile(decode_one_token,mode="reduce-overhead", fullgraph=True) if COMPILE else None

print('Start generating tokens, but it will take a few minutes to compile at the first time.')
for i in range(10):
    t0 = time.time()
    with torch.no_grad():
        generated_ids = model.generate(input_ids.to(device),num_tokens_to_generate=NUM_TOKENS_TO_GENERATE, compiled_decode_one_token=compiled_decode_one_token)
        text = tokenizer.decode(generated_ids[0])
        if i ==0:
            print(f'Generated text: {text}')
    t1 = time.time()
    print(f'Time consumed at iteration {i}: {t1-t0}s')

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
MUDDPythia
Ревизия весов
d42522e

0 моделей