/ Модель

Характеристики

Контекст
8 192 токена
Параметры
1 млрд
Архитектура
llama · dense
Библиотека
transformers
Опубликована
28 сен 2026

pretrain-baseline-non-qknorm

Генерация текстаТекст → текст3 профессии

Базовая англоязычная модель Llama-типа на 1 млрд параметров для генерации текста и экспериментов с влиянием QK-нормализации.

175скачиваний за 30 дней0лайковвеса обновлены28 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Mercity выпустила базовую языковую модель примерно на 1 млрд параметров — плотный декодер Llama 3-типа для генерации текста. Модель обучена с нуля на 6 млрд токенов англоязычного набора FineWeb; использует архитектуру LlamaForCausalLM, 32 слоя и контекст до 8192 токенов. Чекпойнт опубликован в формате safetensors и работает со стандартной библиотекой Transformers без пользовательского кода.

Модель предназначена для продолжения текста и изучения влияния нормализации QK на обучение: в этом запуске QK-нормализация отключена, а градиентная норма оставалась высокой и нестабильной. Это базовая модель без дообучения на инструкциях и без настройки безопасности, поэтому она не рассчитана на надёжное выполнение запросов в формате ассистента. Обучение только на английских веб-текстах ограничивает её языковое покрытие; модель может повторяться и выдумывать факты, а опубликованные оценки получены на одном запуске. Лицензия в предоставленных данных не указана.

Сценарии применения

  • продолжение англоязычного текста
  • сравнение обучения языковых моделей с QK-нормализацией и без неё
  • эксперименты с базовой моделью для генерации текста
  • оценка качества небольших языковых моделей на zero-shot задачах

Ограничения

Обучена только на 6 млрд токенов английских веб-текстов; обучение без QK-нормализации было менее стабильным, чем у последующего базового запуска. Модель не настроена на инструкции или безопасность, может повторяться и выдумывать факты; опубликованные результаты получены на одном запуске.

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

Llama 1B baseline (no QK-norm), 6B tokens

A dense ~1B-parameter Llama 3-style decoder (4 KV heads, versus 6 in the later runs) pretrained from scratch on 6B tokens of FineWeb. This is our first baseline run, trained without QK normalization. Its gradient norm stayed high and wavy for the whole run, so we reran it with QK-norm on; that QK-norm baseline is the reference model for the rest of our ablations. We release this checkpoint so the effect of QK-norm can be compared directly.

This is a base model. It is not instruction-tuned or safety-tuned.

Results

Training

MetricValuevs. QK-norm baseline
Final train loss (step 3,052)2.6211+0.0512
Final eval loss (step 3,000)2.5981+0.0074
Final grad norm (step 3,052)0.1260+0.0806
Peak grad norm after step 2001.344+0.805
Mean grad norm over the run0.58+0.38
Tokens / steps6B / 3,052same

Zero-shot benchmarks

Scores at the final step, from the run's own evaluation. Shared-9 is the unweighted mean of the nine tasks.

BenchmarkMetricScore
HellaSwagacc_norm39.01
WinoGrandeacc50.43
ARC-Easyacc_norm39.94
ARC-Challengeacc_norm24.91
PIQAacc_norm68.01
OpenBookQAacc_norm30.40
CommonsenseQAacc19.82
SciQacc_norm66.30
LAMBADAacc26.66
Shared-9 average40.61

These were measured earlier in the project than the other four checkpoints' scores, so small differences against them (LAMBADA in particular) may come from the evaluation setup as well as the model.

Usage

This is a standard LlamaForCausalLM checkpoint, so it needs no custom code. Tested with transformers==5.8.0.

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "Mercity/pretrain-baseline-non-qknorm"

tokenizer = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(
    repo,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

inputs = tokenizer("The capital of France is", return_tensors="pt").to(model.device)
output = model.generate(**inputs, max_new_tokens=32, do_sample=False)
print(tokenizer.decode(output[0], skip_special_tokens=True))

To score text instead of generating it, pass labels and read the loss:

batch = tokenizer("FineWeb is a large web-text dataset.", return_tensors="pt").to(model.device)
with torch.no_grad():
    loss = model(**batch, labels=batch["input_ids"]).loss
print(f"loss={loss.item():.3f}  ppl={loss.exp().item():.1f}")

Model details

SettingValue
ArchitectureLlamaForCausalLM (Llama 3-style dense decoder)
Layers32
Hidden size1,536
Intermediate size (SwiGLU)5,120
Total parameters1.006B
Attention heads / KV heads12 / 4 (GQA)
QK normalizationOff
Attention biasNone
Max sequence length8,192
TokenizerLlama 2, 32,000 tokens
EmbeddingsTied input and output

Training

SettingValue
DataFineWeb sample-10BT, packed 8,192-token sequences
Tokens / steps6B / 3,052
Batch12 per device × 20 gradient accumulation (~1.97M tokens per step)
Gradient clipping1.0
OptimizerMuon (LR 0.02, momentum 0.95, 5 Newton-Schulz steps, WD 0.1) + AdamW (LR 3e-4, β 0.9/0.95, WD 0.1)
ScheduleCosine, 100 warmup steps, min LR factor 0.1
Hardware1 × NVIDIA B200, ~14.5 hours
StackTorchTitan, FlashAttention 4, Liger kernels

Related checkpoints

ModelChange from this modelShared-9
Baseline (QK-norm)QK normalization on; the reference for the ablations41.23
KDAQK-norm, and 8 of 32 attention layers replaced with Kimi Delta Attention41.37
N-gram 25%QK-norm, and ~25% of parameters moved into LongCat n-gram tables40.56
N-gram 50%QK-norm, and ~48% of parameters moved into LongCat n-gram tables39.54

Limitations

Trained on 6B English web tokens only, a small budget for a 1B model. Training was less stable than the QK-norm rerun, and benchmark scores are single-seed. The model will repeat or make up facts and has had no alignment training.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
93f214a

0 моделей