/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Своя лицензия
Архитектура
qu_ssm_moe · MoE
Опубликована
31 авг 2026

QU-SSM-60M-MoE

Генерация текстаТекст → текст3 профессии

Авторская компактная языковая модель QU-SSM с разреженной смесью экспертов для авторегрессионной генерации текста.

475скачиваний за 30 дней1лайквеса обновлены17 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

QU-SSM-60M-MoE — авторская языковая модель Prannessh K.V.A. для генерации текста. Она использует непрерывную квазиизометрическую рекуррентную архитектуру пространства состояний QU-SSM с вращениями фаз SO(2) и разреженной смесью из четырёх экспертов SwiGLU с маршрутизацией Top-2. По карточке, модель содержит 64,30 млн параметров, из которых 44,64 млн активны на токен; токенизатор основан на GPT-2 BPE с 50 257 токенами. Модель предварительно обучена на англоязычном наборе TinyStories.

Архитектура предназначена для авторегрессионного моделирования последовательностей и генерации текста. Автор заявляет линейную сложность обработки последовательности и постоянный объём памяти состояния при инференсе. Карточка не приводит независимых оценок качества или конкретного окна контекста, поэтому пригодность для длинных текстов и иных сценариев требует проверки. Репозиторий содержит веса Safetensors; лицензия указана как other, конкретные условия использования в карточке не раскрыты.

Сценарии применения

  • генерация коротких историй на английском языке
  • продолжение заданного текста
  • эксперименты с рекуррентными моделями пространства состояний
  • исследование разреженной маршрутизации смеси экспертов

Ограничения

Модель предварительно обучена на TinyStories, поэтому её возможности могут быть ограничены короткими повествовательными текстами; независимые оценки качества и длина контекста не приведены. Лицензия обозначена как other, но условия использования не уточнены.

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

🏛️ QU-SSM-60M-MoE: Continuous Quasi-Unitary State Space Model with Sparse Mixture-of-Experts

📄 Official Research Paper (PDF) & Open Verification

Title: "Gated Quasi-Unitary Lie-Algebra Recurrent State Space Models"
Author: Prannessh K.V.A. (@prannesshkva)

📥 Download Full Research Paper (PDF) | 🏛️ Zenodo DOI: 10.5281/zenodo.22283431 | 🎮 Live Interactive Space

Official Paper Zenodo DOI LinkedIn Profile License: CC BY-NC-ND 4.0 Model: qu_ssm-60Moe Flagship: qu_ssm-130Moe

QU-SSM-60M-MoE is the mid-tier foundation model of the QU-SSM family designed and invented by Prannessh K.V.A. (Sole Architect & Inventor). It combines continuous Lie-group unitary recurrence on SO(2) ≅ U(1) with 4 SwiGLU Mixture-of-Experts (MoE) and Top-2 routing (44.64M active parameters per token).


🧬 Base Model Lineage & Technical Notes

  • Core Architecture: Continuous Quasi-Unitary State Space Model (SO(2) phase rotations) coupled with 4 SwiGLU Mixture-of-Experts and Top-2 routing.
  • Tokenizer Lineage: Standard GPT-2 Byte-Pair Encoding (BPE) vocabulary (50,257 tokens).
  • Pre-training & Calibration: Pre-trained on roneneldan/TinyStories (~20M+ tokens) demonstrating sub-millisecond step latency and exact norm preservation.
  • Parameter Footprint: 64.30M Total Parameters, 44.64M Active Parameters per token.
  • Inference Efficiency: Constant O(1) inference state RAM (0.19 MB) regardless of sequence length.
  • Official Research Contact: LinkedIn — Prannesh K. V. A.

🔍 What is QU-SSM?

QU-SSM is a linear-time continuous sequence engine that replaces the monotonic dissipative decay of classical state space models with non-dissipative SO(2) unitary phase rotations (‖R(θ)‖₂ ≡ 1.00000), delivering strictly constant O(1) inference memory and sub-millisecond step latency.


📊 Architecture Specifications

SpecificationValue
Model NameQU-SSM-60M-MoE
Sole Architect & InventorPrannessh K.V.A.
Total Parameters64.30M
Active Parameters / Token44.64M (Top-2 Sparse MoE)
Hidden Dimension (D)384
Layers6
SSM State Dimension8
Expert Count4 SwiGLU Experts
Vocabulary50,257 (GPT-2 BPE)
Inference State RAM0.19 MB (Constant O(1))

🔒 Intellectual Property & Citation


🔗 Related QU-SSM Hub Repositories

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Класс архитектуры
QUSSMForCausalLM
Ревизия весов
c866617

0 моделей