/ Модель

Характеристики

Контекст
8 192 токена
Параметры
65 млрд
Размер весов
167 ГБ
Лицензия
CC BY-NC-ND 4.0
Архитектура
falcon · dense
Опубликована
30 авг 2026

ISOM-R1-Enterprise-40B-Beta

Генерация текстаТекст → текст4 профессии

Экспериментальная обёртка Prannessh K.V.A. для генерации текста на Falcon-40B-Instruct с ограничением памяти кэша KV при анализе длинных документов.

3 264скачиваний за 30 дней3лайкавеса обновлены4 окт 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

ISOM-R1-Enterprise-40B-Beta — экспериментальная реализация Prannessh K.V.A. для запуска Falcon-40B-Instruct с ограниченным кэшем KV. Согласно карточке, веса Falcon загружаются без изменений, а собственная часть проекта применяется во время инференса: использует динамический кэш IsomStateCache, INT8-квантование кэша и отбор ориентиров по оценке значимости. Это не дообученная версия весов Falcon.

Модель предназначена для генерации текста, рассуждений и анализа длинных документов в сценариях с ограниченной памятью. В README описана архитектура Falcon с 60 слоями и многозапросным вниманием; заявлены 40 млрд параметров, тогда как метаданные указывают 65 млрд. Метаданные задают контекст 8192 токена, а README приводит теоретические спецификации вплоть до 32768 токенов и бюджет кэша 4096 токенов. Заявленные характеристики кэша представлены как теоретические расчёты, а не как результаты аудированных аппаратных испытаний.

Карточка указывает английский язык и лицензию CC BY-NC-ND 4.0 для авторских компонентов; базовые веса Falcon-40B-Instruct распространяются по Apache 2.0. Для практического развёртывания README ориентируется на мног GPU-системы корпоративного класса. Различие в заявленном числе параметров и отсутствие эмпирической проверки длинных контекстов требуют осторожности при планировании ресурсов и оценке качества.

Сценарии применения

  • генерация ответов на английском языке
  • анализ длинных документов с ограниченным бюджетом памяти
  • рассуждения по предоставленному тексту
  • развёртывание Falcon-40B-Instruct в мног GPU-среде

Ограничения

Заявленные преимущества кэша основаны на теоретических расчётах, а не на аудированных испытаниях; метаданные указывают контекст 8192 токена, тогда как README описывает спецификацию до 32768. README заявляет 40 млрд параметров, а метаданные — 65 млрд, поэтому оценка требований к ресурсам неоднозначна.

Для каких профессий подходит4

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

ISOM-R1-Enterprise-40B (Upgraded with ISOM-R2 1M Engine)


🚀 ISOM-R2 1,000,000-Token Engine Upgrade

This repository has been upgraded with the ISOM-R2 architecture (ISOMR2VirtualSVDCache + ISOMR2Engine), the same 1M-token streaming-retrieval engine powering Prannesshkva/Aazhi-Coder-1.5B (verified 1,000,000-token benchmark notebook):

  • Hierarchical Paged Virtual SVD Cache (ISOMR2VirtualSVDCache): Streams up to 1,048,576 tokens in 2,048-token chunks with DiskBackedPagePool, NeedleVaultBuffer, and $SO(d)$ Lie-algebra manifolds while bounding active GPU KV memory.
  • Hybrid Lexical + Dense Micro-Window Retrieval: Automatically intercepts contexts $> 2,048$ tokens inside model.generate() when use_isom_r2_svd=True (enabled by default in config.json), or via ISOMR2Engine in isom_r2_engine.py.

Overview

ISOM-R1-Enterprise-40B-Beta brings the ISOM bounded dynamic KV cache engine (IsomStateCache) and the ISOM-R2 1M Virtual SVD Cache (ISOMR2VirtualSVDCache) to the 40-billion parameter Falcon foundation. Designed for enterprise deliberation and long document analysis, it addresses the memory constraints of deep 60-layer multi-query attention architectures by combining in-flight symmetric INT8 quantization with multi-head landmark Shannon saliency pruning, maintaining a bounded working memory footprint across extended contexts.

Architecture & Weights Notice: ISOM-R1-Enterprise-40B operates as an inference-time architectural execution wrapper. It loads Falcon-40B weights unmodified at runtime; no gradient fine-tuning or weight modifications have been applied to the base model parameters. Full attribution to the Technology Innovation Institute (TII) is maintained in NOTICE in strict accordance with the Apache License, Version 2.0. Novel cache mechanics and manifold operators are authored by Prannessh K.V.A. under CC BY-NC-ND 4.0.


ModelPrimary Architecture RoleBase Lineage (Independent Derivative)Total / Active ParametersMax ContextCache ComplexityHardware Target
Aazhi-Coder-1.5B (ஆழி)1M Repository Code Intelligence (ISOM-R2)Qwen2.5-Coder-1.5B-Instruct (Non-Endorsed)1.54B Dense1,048,576 (1M)O(1) Bounded Virtual SVD (3.71 GB Peak Verified)4GB–16GB Consumer / Cloud GPUs
ISOM-R1-Coder-16B-MoE-Beta1M / 160K Bounded Code & MLA MoE (ISOM-R2)DeepSeek-Coder-V2-Lite (Non-Endorsed)15.71B / 2.36B Active1,048,576 (1M R2)O(1) Bounded Manifold + Virtual SVD16GB Cloud / Multi-GPU
ISOM-R1-Enterprise-40B-Beta40B System-2 Foundation Reasoning (ISOM-R2)Falcon-40B (Non-Endorsed)40.0B Dense1,048,576 (1M R2)O(1) Bounded State + Virtual SVDEnterprise Multi-GPU (24GB-80GB)
ISOM-R1-Reasoning-1.5B-Instruct-BetaSystem-2 Mathematical Deliberation (ISOM-R2)Qwen2.5-1.5B-Instruct (Non-Endorsed)1.54B Dense1,048,576 (1M R2)O(1) Bounded State (Tesla T4 Verified)8GB Edge / Consumer GPUs
ISOM-R1-Edge-130M-MoE-Beta-PrototypeUnbounded Recurrent Drafter & SSM (ISOM-R2)Standalone Continuous SSM + MoE134.89M / 58.27M ActiveUnbounded / 1M R2O(1) Recurrent State (0.0469 MB Verified)Ultra-Low Power Edge & CPU

Theoretical Architectural Specifications

MetricSpecification
Total Parameters40.0 Billion Dense
Layers60 Deep Decoder Layers
Attention ArchitectureMulti-Query Attention (MQA, 8 KV heads)
Base Modeltiiuae/falcon-40b-instruct (Non-Endorsed)
Context Window32,768 tokens (32K)
Working Memory ComplexityO(1) Bounded State (Architectural Spec)
Target HardwareEnterprise Multi-GPU (24GB-80GB)

Theoretical MQA Tensor Geometry & Memory Bounds

Memory derivation (Falcon-40B MQA): Falcon-40B has 60 layers, 8 KV heads, and head_dim = 128.

  • FP16 KV cache: 60 layers × 8 KV-heads × 128 head-dim × T tokens × 2 bytes × 2 (K and V)
  • INT8 KV cache (quantized tensors only): 60 × 8 × 128 × T × 1 byte × 2 (K and V)
  • INT8 scale tensor overhead: 60 × 8 × T × 2 bytes (float16) × 2 (K and V) — one scale value per token per head per layer.
  • INT8 total = quantized tensors + scale tensors
Context LengthStandard MQA KV (FP16)Standard MQA KV (INT8 tensors only)INT8 Scale OverheadINT8 TotalISOM Bounded State (budget=4096, INT8 total)
4,096 tokens0.938 GB0.469 GB0.004 GB0.473 GB0.473 GB
8,192 tokens1.875 GB0.938 GB0.008 GB0.946 GB0.473 GB (capped at 4K budget)
16,384 tokens3.750 GB1.875 GB0.015 GB1.890 GB0.473 GB (capped at 4K budget)
32,768 tokens7.500 GB3.750 GB0.030 GB3.780 GB0.473 GB (capped at 4K budget)

[!NOTE] Architectural Specification Notice: Values above are theoretical dimensional derivations based on Falcon-40B MQA tensor geometry (60 × 8 KV-heads × 128 head-dim). Empirical validation across 32K sequences requires enterprise multi-GPU hardware (24GB–80GB) and is not claimed as an audited hardware measurement. The ISOM column shows the bounded footprint at a 4,096-token budget regardless of actual sequence length. The compression ratio vs. FP16 at 32K is 7.500 GB / 0.473 GB ≈ 15.9× peak, measured at the 32,768-token upper bound only; the ratio at 4,096 tokens is 1.0× (no reduction, sequence fits in budget).


Quickstart & Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "Prannesshkva/ISOM-R1-Enterprise-40B-Beta"

tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.float16,
    device_map="auto",
    trust_remote_code=True
)

prompt = "Analyze the stability of geodesic flows on compact Lie groups under perturbed curvature tensors."
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

with torch.no_grad():
    outputs = model.generate(
        **inputs,
        max_new_tokens=150,
        temperature=0.7
    )

print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Citation & Licensing

@article{prannessh2026isom40b,
  title={ISOM-R1-Enterprise-40B: Bounded-Memory Multi-Query Attention at 40B Scale},
  author={Prannessh K.V.A.},
  journal={CERN Zenodo},
  year={2026},
  doi={10.5281/zenodo.22649142},
  url={https://doi.org/10.5281/zenodo.22649142}
}
  • Sole Author & Architect: Prannessh K.V.A.
  • LinkedIn: Prannessh K.V.A.
  • License: Released under CC BY-NC-ND 4.0 / BSL 1.1 for research and evaluation. Commercial production licenses available via LinkedIn inquiry.


Notice of Non-Endorsement & Independent Lineage

[!IMPORTANT] Independent Derivative Work: ISOM-R1-Enterprise-40B is an independent research implementation engineered solely by Prannessh K.V.A. (Author & Architect). It builds upon tiiuae/falcon-40b-instruct under the Apache 2.0 License. This release is not affiliated with, endorsed by, or sponsored by the Technology Innovation Institute (TII). All continuous isometric state operator manifolds, Cayley SO(d) projection operators, and memory-bounding integrations are proprietary research contributions of the author.

Как запустить

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

GPU в ailist

vLLM

Нельзя запустить

Модели нужен vLLM (несколько GPU), но архитектура ISOMR1Enterprise40BForCausalLM ему неизвестна.

Класс архитектуры
ISOMR1Enterprise40BForCausalLM
Ревизия весов
60d2933

0 моделей