/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
dilution-attention
Опубликована
1 окт 2026

alt6-209m-16k-1x-s2357

Генерация текстаТекст → текст3 профессии

Базовая исследовательская языковая модель на 209 млн параметров для изучения гибридного внимания и генерации текста с контекстом до 16 384 токенов.

146скачиваний 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-s2357 — языковая модель на 209 млн параметров из релиза DilutionAttention. Это базовая исследовательская модель для изучения механизма внимания, а не готовый чат-ассистент. Она использует гибридную архитектуру: чередует слои softmax-внимания с RoPE (base 5e5) и dilution-внимания без позиционного кодирования; включает 24 слоя, ширину 768, 12 голов и SwiGLU.

Модель обучена на 4,19 млрд токенов FineWeb-Edu с контекстом 16 384 токена. В описанных проверках она получила оценку NIAH 1,00 при длине 16 000 токенов и 24 000 токенов с NTK-масштабированием; этот тест измеряет извлечение ключевого слова из повторяющегося текста и не подтверждает способность к рассуждениям на длинном контексте. Для входов длиннее обучающего контекста README предписывает использовать расширение контекста. Модель не проходила инструкционную и safety-настройку. Лицензия — Apache-2.0.

Сценарии применения

  • исследование гибридного softmax- и dilution-внимания
  • эксперименты с обработкой длинного контекста
  • извлечение ключевых слов из длинного текста
  • генерация текста на основе FineWeb-подобных данных

Ограничения

Модель не настроена для следования инструкциям и не является чат-ассистентом; NIAH-тест описывает извлечение ключевого слова, а не рассуждения на длинном контексте. Контекст обучения составляет 16 384 токена, а для более длинных входов требуется расширение контекста.

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-s2357

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 2357. 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)3.0399 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)1.00
NIAH retrieval at 64,000 tokens (3.9x the trained context, NTK scaling)0.97
NIAH retrieval at 96,000 tokens (5.9x the trained context, NTK scaling)0.66
NIAH retrieval at 128,000 tokens (7.8x the trained context, NTK scaling)0.43
NIAH retrieval at 192,000 tokens (11.7x the trained context, NTK scaling)0.14
NIAH retrieval at 256,000 tokens (15.6x the trained context, NTK scaling)0.14
PG-19 loss at positions 8,192-16,384 (in context)3.553 nats/token
PG-19 loss at positions 16,384-32,768 (2x, NTK scaling)3.526 nats/token
PG-19 loss at positions 32,768-65,536 (4x, NTK scaling)3.818 nats/token
PG-19 loss at positions 65,536-131,072 (8x, NTK scaling)4.213 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-s2357", 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_seed2357/ in the release repository (metrics, resolved config, data provenance). Source checkpoint SHA-256: d1224ebb70e7fe976cb54f98336335af13d30df47cfe749265d97d0602d0f9fa, 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
0d98130

0 моделей