/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
134 млн
Лицензия
Apache 2.0
Архитектура
kiyo_diffusion · dense
Базовая модель
Kiyo-135M
Опубликована
12 сен 2026

Kiyo-Diffusion-135M

Генерация текстаТекст → текст

Экспериментальная диффузионная языковая модель на 135 млн параметров для генерации и завершения английского текста.

108скачиваний за 30 дней2лайкавеса обновлены12 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

Kiyo-Diffusion-135M — экспериментальная маскированная диффузионная языковая модель, разработанная DedeProGames на основе DedeProGames/Kiyo-135M. Это плотная Llama-подобная модель со 134,5 млн параметров: причинное внимание заменено двунаправленным, добавлен специальный токен маски, а обучение продолжено с целью маскированного восстановления текста. Контекст модели составляет 2048 токенов.

Модель предназначена для генерации и завершения английского текста в диффузионном режиме. В карточке приведены результаты эксперимента по адаптации на 250 млн токенов и тесты на текстовых задачах; после начального падения показателей часть качества восстановилась, но итоговый результат оставался ниже базовой авторегрессионной модели, особенно при дополнении кода. Оценки ELBO в карточке сопоставимы только между проверенными контрольными точками и не сравнимы с официальной таблицей лидеров. Модель выпущена под лицензией Apache-2.0; автор указывает исследовательское применение.

Сценарии применения

  • генерация английского текста в режиме маскированной диффузии
  • завершение текстового фрагмента на английском языке
  • эксперименты с диффузионными языковыми моделями
  • сравнение двунаправленного и причинного внимания
  • исследование восстановления знаний при смене цели обучения

Ограничения

В тестах после перехода на двунаправленное внимание модель не восстановила исходный уровень базовой авторегрессионной модели, а качество дополнения кода снизилось особенно заметно. Результаты ELBO и Elo из карточки нельзя напрямую сравнивать с официальным рейтингом бенчмарка.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Kiyo-Diffusion-135M

Masked diffusion language model adapted from DedeProGames/Kiyo-135M: same Llama weights, bidirectional attention, a new <|mask|> token, the masked-diffusion (MDLM/LLaDA) objective and the AR shift operation (DiffuLLaMA/Dream recipe). No timestep embedding. Research use only.

python kiyo_diffusion.py generate --model DedeProGames/Kiyo-Diffusion-135M --prompt "The capital of France is"

Diffusion adaptation

The autoregressive Kiyo-135M was converted in place — causal attention replaced by bidirectional attention, a <|mask|> token added, and the objective switched to masked denoising — then trained for 250M tokens on the same data mix the base model was pretrained on (fineweb-edu 45% / dclm-baseline 35% / finemath 10% / stack-v3 10%). Keeping the data distribution identical is what protects the base knowledge: this is continued pretraining under a new objective, not a domain shift.

SettingValue
Tokens250M (1908 steps × 131,072 tokens)
Learning rate1e-4 → 1e-5, cosine, 200 warmup
Attention annealingcausal → bidirectional over the first 381 steps (20%)
Batch131,072 tokens global, sequence length 1024
Precisionbf16
Hardware2× RTX 3060 12GB (DDP), ~15k tokens/s

Benchmark: BananaMind Base Bench 1.1

All 31 training checkpoints were evaluated on BananaMind/BananaMind-Base-Bench-1.1 — 350 four-way text-completion items across 7 categories, reporting a fixed-scale Overall Elo.

Overall Elo per checkpoint

CheckpointOverall EloAccuracy
Kiyo-135M, before conversion (official causal metric)1125.967.7%
After conversion, 0 training steps968.750.0%
Step 500 (65M tokens)1054.160.3%
Final, step 1908 (250M tokens)1055.459.1%

What the curve shows. Opening the attention costs 157 Elo immediately. The first 500 steps (65M tokens) recover 85 of those points — 54% of the gap — and essentially all of the recovery happens there. Across the remaining 1408 steps the Overall Elo stays flat at 1045 ± 10 while the training NELBO keeps falling (4.47 → 4.06): the model keeps getting better at denoising without regaining measurable benchmark capability.

For a 135M-parameter model, diffusion adaptation appears to saturate near 65M tokens, and the residual ~70 Elo gap looks structural to bidirectional attention at this scale rather than a debt that more tokens would repay. Per category, world_knowledge and context_tracking recover closest to the original — bidirectional context helps them — while code_completion suffers most (0.86 → 0.50), which is unsurprising for a strongly sequential task.

Scoring methodology

A masked diffusion LM has no causal next-token likelihood, so the official metric of this benchmark (mean conditional token log-probability) cannot be reproduced. Checkpoints are scored instead with a Monte-Carlo ELBO (n_mc=64), the diffusion analogue used by LLaDA.

To make checkpoints comparable to one another, mask samples are drawn from a seed derived from the item index, so every checkpoint is evaluated against identical masks. Without this, replicate runs of the same checkpoint differed by as much as 16 Elo; with it, replicates are identical.

The dashed baseline in the chart is therefore not an ELBO-equivalent score. It marks where the model started, measured the only way an autoregressive model can be measured. Elo values here are comparable within this chart only, and not with the official leaderboard.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура kiyo_diffusion неизвестна transformers в образе рантайма.

Класс архитектуры
KiyoDiffusion
Ревизия весов
537582a

0 моделей