/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
dilution-attention
Опубликована
1 окт 2026

alt6-209m-16k-1x-s1337

Генерация текстаТекст → текст3 профессии

Исследовательская базовая языковая модель DilutionAttention на 209 млн параметров для изучения механизмов внимания и извлечения информации из длинного контекста.

143скачиваний за 30 дней0лайковвеса обновлены1 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

alt6-209m-16k-1x-s1337 — исследовательская языковая модель на 209 млн параметров из выпуска DilutionAttention. Это базовая модель для изучения оператора внимания, а не диалоговый помощник: она не проходила дообучение на инструкциях или настройку безопасности. Архитектура включает 24 слоя, ширину 768, 12 голов внимания, SwiGLU и связанные эмбеддинги; в чередующихся слоях сочетаются softmax-внимание с RoPE и dilution-внимание без позиционного кодирования.

Модель обучена на 4,19 млрд токенов FineWeb-Edu с контекстом 16 384 токена. В карточке приведены результаты извлечения ключевого слова из повторяющегося текста на длинах 16 000 и 24 000 токенов; это проверка поиска в контексте, а не длинных рассуждений. Для работы с входами длиннее обученного контекста README указывает обёртку ExtendedContext с NTK scaling. Модель предназначена для экспериментов с вниманием и экстраполяцией контекста, а не для готового пользовательского ассистента. Лицензия — Apache-2.0.

Сценарии применения

  • эксперименты с гибридными механизмами внимания
  • оценка извлечения ключевых слов из длинного контекста
  • изучение экстраполяции контекста за пределы обученной длины
  • сравнение поведения dilution-внимания и softmax-внимания

Ограничения

Модель не настроена на инструкции и безопасность, поэтому не предназначена для работы в качестве готового чат-ассистента. Заявленные результаты NIAH относятся к поиску ключевого слова в повторяющемся заполнителе и не подтверждают способность к рассуждениям на длинном контексте.

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

alt6-209m-16k-1x-s1337

A 209M-parameter research language model from the DilutionAttention release: hybrid: softmax with RoPE (base 5e5) and dilution without position encoding in alternating layers. Trained at a 16,384-token context on 4.19B tokens (1x Chinchilla), seed 1337. It is a base model for studying the attention operator, not an assistant: it is not instruction-tuned or safety-tuned.

Results

measurevalue
validation loss (common 1M-token FineWeb-Edu slice)3.0385 nats/token
NIAH retrieval at 16,000 tokens (in context; chance 1/7)1.00
NIAH retrieval at 24,000 tokens (1.5x the trained context, NTK scaling)1.00
NIAH retrieval at 32,000 tokens (2.0x the trained context, NTK scaling)1.00
NIAH retrieval at 48,000 tokens (2.9x the trained context, NTK scaling)0.93
NIAH retrieval at 64,000 tokens (3.9x the trained context, NTK scaling)0.41
NIAH retrieval at 96,000 tokens (5.9x the trained context, NTK scaling)0.14
NIAH retrieval at 128,000 tokens (7.8x the trained context, NTK scaling)0.14
PG-19 loss at positions 8,192-16,384 (in context)3.500 nats/token
PG-19 loss at positions 16,384-32,768 (2x, NTK scaling)3.463 nats/token
PG-19 loss at positions 32,768-65,536 (4x, NTK scaling)3.661 nats/token
PG-19 loss at positions 65,536-131,072 (8x, NTK scaling)3.980 nats/token

NIAH is likelihood-scored keyword retrieval from repetitive filler (see the release's reproducing.md), not long-context reasoning. Every number here, and the matched controls, are in the release's evidence ledger.

Use

pip install "dilution-attention[hub] @ git+https://github.com/Royer-Research-Labs/Dilution-Attention" tiktoken
import tiktoken, torch
from dilution.hub import from_pretrained

model = from_pretrained("Royer-Research-Labs/alt6-209m-16k-1x-s1337", device="cuda")   # fused Triton kernels on CUDA
enc = tiktoken.get_encoding("gpt2")
ids = torch.tensor([enc.encode("The history of the printing press")], device="cuda")
with torch.autocast("cuda", dtype=torch.bfloat16):
    out = model.generate(ids, 64, temperature=1.0, top_p=0.9, vocab_limit=50257)
print(enc.decode(out[0].tolist()))

Inputs longer than 16,384 tokens need dilution.extend.ExtendedContext(model, length, ntk=True) around the call.

Training

  • Architecture: 24 layers, width 768, 12 heads, SwiGLU, no biases, tied embeddings, GPT-2 vocabulary; position encoding: rope_alt.
  • Data: FineWeb-Edu sample-100BT (revision fc9850d), a 40B-token GPT-2-tokenized corpus rebuilt with dilution-prepare-data (reproducing.md).
  • Schedule: 65,536 tokens per step, LR 6e-4 cosine over a 2x-Chinchilla (8.4B-token) schedule; this is the step-64,000 (1x) checkpoint, where the learning rate is 55.7% of peak.
  • Run record: runs/scale_16384/alt6_softmax_rope_dilution_seed1337/ in the release repository (metrics, resolved config, data provenance). Source checkpoint SHA-256: eb59bdf1db30494cec6e8f85f86107f8a759c0b62339f318142a1a8b7ddaef04, step 64,000.

License and data

Weights: Apache-2.0. Training data: FineWeb-Edu (ODC-By 1.0), used with attribution. The model can produce incorrect, biased or offensive text; it is a research artifact.

Citation

Cite the software release: Royer, N. (2026). DilutionAttention. Zenodo. https://doi.org/10.5281/zenodo.23073037 (BibTeX in the README and CITATION.cff). Technical report: https://doi.org/10.5281/zenodo.23073151.

Как запустить

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

GPU в ailist

Универсальный рантайм · dilution-attention

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
1fb09e9

0 моделей