/ Модель

Характеристики

Контекст
8 192 токена
Параметры
755 млн
Архитектура
llama_longcat_ngram · dense
Библиотека
transformers
Опубликована
28 сен 2026

pretrain-longcat-ngram-25pct

Генерация текстаТекст → текст3 профессии

Базовая англоязычная Llama 3-style модель с LongCat n-граммными эмбеддингами для генерации текста и экспериментов с предобучением.

226скачиваний 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 базовую языковую модель примерно на 1 млрд параметров на архитектуре Llama 3-style с плотным декодером и таблицами хешированных n-граммных эмбеддингов LongCat. Около 25% параметров приходится на эти таблицы; чтобы сохранить общий размер, модель использует 23 трансформерных слоя вместо 32 у базовой конфигурации. По карточке, обучение проходило на 6 млрд токенов английского набора FineWeb. Модель поддерживает генерацию текста, а её контекст составляет 8192 токена.

Это базовый чекпойнт для продолжения предобучения и экспериментов с языковыми моделями; он не проходил настройку для инструкций или безопасности. Карточка приводит результаты нескольких zero-shot-бенчмарков и LoRA-дообучения для Few-NERD, но отмечает, что бюджет обучения невелик для модели такого размера, оценки получены с одним seed, а модель может повторять текст и выдумывать факты. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация продолжений англоязычного текста
  • эксперименты с n-граммными эмбеддингами в языковых моделях
  • продолжение предобучения на текстовых корпусах
  • оценка базовых языковых моделей на zero-shot-бенчмарках

Ограничения

Модель обучена только на 6 млрд токенов английских веб-текстов, не настроена для следования инструкциям или безопасности и может повторять текст либо выдумывать факты. Бенчмарки выполнены с одним seed, поэтому результаты могут быть нестабильны.

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 LongCat n-gram embeddings (25%), 6B tokens

A ~1B-parameter Llama 3-style decoder that spends about 25% of its parameter budget on hashed n-gram embedding tables, following the LongCat n-gram embedding module. To keep the total near 1B, it has 23 transformer layers instead of the baseline's 32. Everything else matches the baseline, including the 6B FineWeb training tokens.

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

Results

Training

MetricValuevs. baseline
Final train loss (step 3,053)2.6356+0.0658
Final eval loss (step 3,000)2.6479+0.0572
Final grad norm (step 3,053)0.0503+0.0049
Peak grad norm after step 2000.637+0.098
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_norm37.38−1.60
WinoGrandeacc52.64+1.02
ARC-Easyacc_norm38.89−1.26
ARC-Challengeacc_norm24.66+1.03
PIQAacc_norm65.89−0.70
OpenBookQAacc_norm28.20−0.80
CommonsenseQAacc19.820.00
SciQacc_norm62.50−1.00
LAMBADAacc35.07−2.68
Shared-9 average40.56−0.67
Shared-9 average, 4-bit NF440.00−0.82

Few-NERD (LoRA fine-tuned)

MetricScorevs. baseline
Micro F10.625−0.030
Macro F10.564−0.031
Sentence accuracy39.3%−2.9 pts

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-longcat-ngram-25pct"

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))

Cached generation works: the model rebuilds the n-gram context from the full token history at each decoding step.

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}")

When quantizing, keep the n-gram tables in higher precision. They are embedding lookups, not ordinary weight matrices.

Model details

SettingValue
ArchitectureLlamaLongCatNgram (Llama 3-style dense decoder with n-gram input embeddings)
Total parameters1.006B
Share of parameters in n-gram tables~25%
Layers23
N-gram orders2, 3
Hash tables4 (2 per order)
Hidden size1,536
Intermediate size (SwiGLU)5,120
Attention heads / KV heads12 / 6 (GQA)
QK normalizationOn
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
Batch12 per device × 20 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, ~13 hours
StackTorchTitan, FlashAttention 4, Liger kernels

Related checkpoints

ModelChange from the baselineShared-9
Baseline (QK-norm)Reference model41.23
KDA8 of 32 attention layers replaced with Kimi Delta Attention41.37
N-gram 50%~48% of parameters in 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
LlamaLongCatNgram
Ревизия весов
56dd157

0 моделей