/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
59,8 млн
Лицензия
Apache 2.0
Архитектура
dwarf-v2 · dense
Библиотека
transformers
Опубликована
19 июл 2026

DWARF-55M-Base

Генерация текстаТекст → текст3 профессии

DWARF-v2 55M Base — базовая англоязычная причинная языковая модель на 59,8 млн параметров для генерации текста и исследований разреженных архитектур.

46скачиваний за 30 дней2лайкавеса обновлены19 июл 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

DWARF-v2 55M Base — базовая авторегрессионная языковая модель MariusNocturnum с 59,8 млн параметров, предназначенная для генерации текста и исследований разреженных моделей последовательностей. Это модель без инструкционной настройки и диалогового обучения; она продолжает входной текст, а не выступает готовым чат-ассистентом.

Архитектура DWARF-v2 — плотная причинная языковая модель с 10 слоями, скрытым размером 512 и контекстом до 2 048 токенов. В гибридной схеме FA@L3 используются девять блоков разреженного DSQG offset attention и один блок глобального причинного внимания SDPA на слое 3. Модель обучена на производном от Dolma 3 Mix наборе данных и использует токенизатор OLMo1 Base ChatML на 50 282 токена; карточка указывает поддержку английского языка.

Репозиторий содержит веса safetensors и реализацию инференса для Transformers. Модель рассчитана на эксперименты и анализ архитектуры; качество базовой модели ограничено, а генерация может быть неточной, небезопасной, предвзятой или выдуманной. Первая версия поддерживает только непаддированные последовательности: длина промпта вместе с генерацией не должна превышать 2 048 токенов. Лицензия — Apache-2.0.

Сценарии применения

  • продолжение англоязычного текста по промпту
  • эксперименты с разреженным причинным вниманием
  • анализ гибридной архитектуры внимания на языковой модели
  • сравнение компактных языковых моделей на бенчмарках

Ограничения

Модель не настроена для инструкций и диалогов и не имеет защитного выравнивания; она может генерировать неточный, небезопасный, предвзятый или выдуманный текст. Поддерживаются только непаддированные последовательности, а суммарная длина промпта и генерации ограничена 2 048 токенами.

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

DWARF-v2 55M Base — FA@L3

DWARF-v2 55M Base is a 55.5M-parameter causal language model with a fixed 2,048-token context window. It is an inference-only release of the FA@L3 hybrid: nine DSQG sparse offset-attention blocks and one dense causal SDPA global-mixer block at layer 3.

This is a base pretrained model, not an instruction-tuned chat model.

Architecture contract

  • Hidden size: 512
  • Layers: 10
  • Attention heads: 8 (head dimension 64)
  • MLP size: 1,536
  • Vocabulary: 50,282 tokens
  • Context length: 2,048 tokens
  • Global mixer: causal full attention at layer 3 (FA@L3)
  • Sparse blocks: causal DSQG offset attention with 96 fixed offsets partitioned across A/B/C block types

The repository ships a portable PyTorch inference implementation. It intentionally favors inspectability and broad compatibility over the specialized training-kernel throughput path.

Loading

DWARF is a custom Transformers architecture. Review and pin the repository revision in production before enabling remote code.

from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = "MariusNocturnum/DWARF-55M-Base"
tokenizer = AutoTokenizer.from_pretrained(repo_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(repo_id, trust_remote_code=True)

inputs = tokenizer("The future of sparse sequence models is", return_tensors="pt")
output_ids = model.generate(**inputs, do_sample=False, max_new_tokens=40)
print(tokenizer.decode(output_ids[0], skip_special_tokens=False))

The initial release supports unpadded sequences only. Pass one unpadded prompt per batch and keep the total length, including generated tokens, at or below 2,048.

Training provenance

  • Pretraining artifact: pinned Dolma 3 Mix 150B-derived raw/EOD-packed data artifact
  • Recorded trainable input-token slots: 9,995,118,211
  • Tokenizer: OLMo1 Base ChatML tokenizer, 50,282 tokens

The release manifest contains SHA-256 hashes and the exact checkpoint/model contract used for export.

Evaluation

All results below use lm-eval==0.4.12, the staged release loaded through the Hugging Face hf backend with trust_remote_code=True and dtype=bfloat16 for inference (the stored safetensors weights are FP32), batch size 4 per evaluator process, seed 42, and 0-shot prompts. acc_norm is length-normalized multiple-choice accuracy; where it is unavailable, the reported primary metric is acc.

BenchmarkSplitExamplesPrimary metricScore
ARC-Easytest2,376acc_norm39.14 ± 1.00
ARC-Challengetest1,172acc_norm22.18 ± 1.21
HellaSwagvalidation10,042acc_norm27.40 ± 0.45
WinoGrandevalidation1,267acc51.62 ± 1.40
PIQAvalidation1,838acc_norm58.76 ± 1.15
OpenBookQA (main)test500acc_norm25.80 ± 1.96
BoolQvalidation3,270acc60.09 ± 0.86
LAMBADA (OpenAI)test5,153acc19.37 ± 0.55

LAMBADA word-level perplexity was 217.88 ± 9.94. The release tokenizer encodes 1,568/5,153 (30.43%) LAMBADA targets as more than one token, so the reported accuracy is the harness's full-target exact continuation metric rather than a single-token proxy.

evaluation_summary.json contains exact values, stderr, task versions, and run metadata. OpenBookQA and BoolQ use local transport adapters over the official public Parquet splits because the host's stored Hub credential could not access the stock public dataset endpoints; their prompts, choices, target mapping, split, and metrics exactly match the installed lm-eval task definitions. Prediction-level artifacts and held-out labels remain in a local evaluation-only audit and are intentionally excluded from the model upload.

Intended use and limitations

This model is for research, experimentation, and analysis of the DWARF-v2 architecture. It can generate inaccurate, unsafe, biased, or fabricated text. It has not been instruction tuned or safety aligned. Do not use it for high-impact decisions, sensitive personal data, or safety-critical workflows.

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
DwarfForCausalLM
Ревизия весов
1d8e627

0 моделей