/ Модель

Характеристики

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

pretrain-baseline-qknorm

Генерация текстаТекст → текст3 профессии

Базовая англоязычная языковая модель Mercity на 1,03 млрд параметров для генерации текста и экспериментов с архитектурой QK-norm.

205скачиваний за 30 дней0лайковвеса обновлены28 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

Mercity разработала плотную авторегрессионную языковую модель примерно на 1,03 млрд параметров с архитектурой Llama 3-style и нормализацией запросов и ключей (QK-norm). Модель обучена с нуля на 6 млрд токенов англоязычного набора FineWeb и служит базовым чекпойнтом для сравнительных экспериментов с вариантами внимания и n-граммными эмбеддингами.

Это базовая модель для продолжения текста и экспериментов с дообучением, а не готовый чат-ассистент: она не проходила instruction- или safety-тюнинг. Контекст составляет 8192 токена. В README приведены результаты нескольких zero-shot бенчмарков и отдельного эксперимента с LoRA для распознавания сущностей Few-NERD, однако они не гарантируют качество на других данных.

Модель может повторять текст и выдумывать факты; обучение ограничено небольшим бюджетом англоязычных веб-текстов, а результаты бенчмарков получены на одном запуске. Для загрузки требуется Transformers и trust_remote_code=True. Лицензия в предоставленных данных не указана.

Сценарии применения

  • продолжение англоязычного текста
  • эксперименты с дообучением языковой модели
  • сравнение вариантов архитектуры внимания
  • извлечение именованных сущностей после LoRA-дообучения

Ограничения

Обучена только на англоязычных веб-текстах с ограниченным бюджетом в 6 млрд токенов; модель не проходила instruction- и safety-тюнинг, поэтому может повторять текст и выдумывать факты. Результаты бенчмарков основаны 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 (QK-norm), 6B tokens

A dense ~1B-parameter Llama 3-style decoder pretrained from scratch on 6B tokens of FineWeb. It is the reference model for our ablations of Kimi Delta Attention and LongCat n-gram embeddings: the other three checkpoints change one component and keep everything else identical to this one.

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

Results

Training

MetricValue
Final train loss (step 3,053)2.5699
Final eval loss (step 3,000)2.5907
Final grad norm (step 3,053)0.0454
Peak grad norm after step 2000.539
Tokens / steps6B / 3,053

Zero-shot benchmarks

Scores from lm-eval on each task's full split. Shared-9 is the unweighted mean of the nine tasks.

BenchmarkMetricScore
HellaSwagacc_norm38.98
WinoGrandeacc51.62
ARC-Easyacc_norm40.15
ARC-Challengeacc_norm23.63
PIQAacc_norm66.59
OpenBookQAacc_norm29.00
CommonsenseQAacc19.82
SciQacc_norm63.50
LAMBADAacc37.75
Shared-9 average41.23
Shared-9 average, 4-bit NF440.82

Few-NERD (LoRA fine-tuned)

MetricScore
Micro F10.655
Macro F10.595
Sentence accuracy42.2%

Usage

The architecture class ships with the checkpoint, so load it with trust_remote_code=True. Tested with transformers==5.8.0.

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "Mercity/pretrain-baseline-qknorm"

tokenizer = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(
    repo,
    trust_remote_code=True,
    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
ArchitectureLlamaQKNorm (Llama 3-style dense decoder with QK normalization)
Total parameters1.031B
Layers32
Hidden size1,536
Intermediate size (SwiGLU)5,120
Attention heads / KV heads12 / 6 (GQA)
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 / 3,053
Batch10 per device × 24 gradient accumulation (~1.97M tokens per step)
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, 150 warmup steps
Hardware1 × NVIDIA B200, ~14.5 hours
StackTorchTitan, FlashAttention 4, Liger kernels

Related checkpoints

ModelChange from this baselineShared-9
Baseline (no QK-norm)Same model without QK normalization; the original run40.61
KDA8 of 32 attention layers replaced with Kimi Delta Attention41.37
N-gram 25%~25% of parameters moved into LongCat n-gram tables, 23 layers40.56
N-gram 50%~48% of parameters moved into LongCat n-gram tables, 16 layers39.54

Limitations

Trained on 6B English web tokens only, a small budget for a 1B model. 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

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
LlamaQKNorm
Ревизия весов
b561246

0 моделей