/ Модель

Характеристики

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

pretrain-kda-1b

Генерация текстаТекст → текст3 профессии

Базовая англоязычная модель Mercity на 1,056 млрд параметров для генерации текста и исследований гибридного внимания Kimi Delta Attention.

218скачиваний 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/pretrain-kda-1b — базовая языковая модель, разработанная Mercity: плотный декодер в стиле Llama 3 примерно с 1,056 млрд параметров. В каждом блоке из четырёх слоёв один использует Kimi Delta Attention (KDA), остальные используют обычное softmax-внимание; всего 32 слоя, из них 24 GQA и 8 KDA. Модель обучена с нуля на 6 млрд токенов англоязычного набора FineWeb, с контекстом до 8192 токенов.

Модель предназначена для генерации текста и исследовательских сравнений гибридного линейного и softmax-внимания с базовой архитектурой QK-norm. Это базовая модель без дообучения на инструкции и без настройки безопасности, поэтому она не является готовым чат-ассистентом. В приведённых бенчмарках результаты близки к базовой модели; разница укладывается в шум эксперимента.

Для запуска нужны Transformers, flash-linear-attention и CUDA GPU; кешированная генерация через Transformers не поддерживается. Обучение только на англоязычных веб-текстах ограничивает применимость к другим языкам, а модель может повторяться или выдумывать факты. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация продолжений англоязычного текста
  • исследование линейного внимания Kimi Delta Attention
  • сравнение гибридного внимания с softmax-вниманием
  • эксперименты с базовыми моделями семейства Llama

Ограничения

Обучена только на 6 млрд англоязычных веб-токенов, не настроена на инструкции или безопасность и может повторяться либо выдумывать факты. Для инференса требуются CUDA GPU и flash-linear-attention; кешированная генерация через Transformers не поддерживается.

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 with Kimi Delta Attention, 6B tokens

A dense ~1B-parameter Llama 3-style decoder where one attention layer in every four is Kimi Delta Attention (KDA), a linear-attention layer from Kimi Linear. It is otherwise identical to the QK-norm baseline and was trained on the same 6B FineWeb tokens.

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

Results

Training

MetricValuevs. baseline
Final train loss (step 3,053)2.5634−0.0064
Final eval loss (step 3,000)2.5848−0.0059
Final grad norm (step 3,053)0.0514+0.0060
Peak grad norm after step 2000.559+0.020
Tokens / steps6B / 3,053same

Zero-shot benchmarks

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

BenchmarkMetricScorevs. baseline
HellaSwagacc_norm39.65+0.67
WinoGrandeacc51.46−0.16
ARC-Easyacc_norm39.60−0.55
ARC-Challengeacc_norm24.06+0.43
PIQAacc_norm67.79+1.20
OpenBookQAacc_norm27.60−1.40
CommonsenseQAacc20.07+0.25
SciQacc_norm63.80+0.30
LAMBADAacc38.29+0.54
Shared-9 average41.37+0.14
Shared-9 average, 4-bit NF440.64−0.18

The +0.14 Shared-9 gap is within single-seed noise, so treat KDA as matching the baseline, not beating it.

Usage

The architecture class ships with the checkpoint, so load it with trust_remote_code=True. The KDA layers need flash-linear-attention and a CUDA GPU (its kernels are written in Triton). Tested with transformers==5.8.0 and flash-linear-attention==0.5.2.

pip install "transformers==5.8.0" "flash-linear-attention==0.5.2"
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "Mercity/pretrain-kda-1b"

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

inputs = tokenizer("The capital of France is", return_tensors="pt").to(model.device)
# use_cache=False is required: the KDA layers keep no recurrent state between
# decoding steps, so cached generation would feed them one token at a time.
output = model.generate(**inputs, max_new_tokens=32, do_sample=False, use_cache=False)
print(tokenizer.decode(output[0], skip_special_tokens=True))

Generation without the cache re-reads the full sequence at every step, so it is slow for long outputs. Scoring text in one forward pass has no such cost:

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}")

The first forward pass on a new machine spends about 90 seconds compiling the KDA kernels.

Model details

SettingValue
ArchitectureLlamaKDA (Llama 3-style dense decoder, hybrid KDA + softmax attention)
Total parameters1.056B
Layers32: 24 GQA + 8 KDA
KDA layer positions0, 4, 8, 12, 16, 20, 24, 28
Hidden size1,536
Intermediate size (SwiGLU)5,120
Attention heads / KV heads12 / 6 (GQA layers)
QK normalizationOn (GQA layers)
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, ~18 hours
StackTorchTitan, FlashAttention 4, Liger kernels, flash-linear-attention

Related checkpoints

ModelChange from the baselineShared-9
Baseline (QK-norm)Reference model41.23
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. KDA inference needs a CUDA GPU and does not support cached generation through transformers. 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
LlamaKDA
Ревизия весов
19f1363

0 моделей