/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
dilution-attention
Опубликована
1 окт 2026

dilution-209m-16k-nope-2x-s1337

Генерация текстаТекст → текст3 профессии

Базовая языковая модель DilutionAttention на 209 млн параметров для генерации текста и экспериментов с оператором внимания и длинным контекстом.

147скачиваний 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

dilution-209m-16k-nope-2x-s1337 — базовая исследовательская языковая модель на 209 млн параметров из выпуска DilutionAttention. В каждом из 24 слоёв используется dilution attention; позиционные кодировки нет. Архитектура включает ширину 768, 12 голов внимания, SwiGLU, связанные эмбеддинги и словарь GPT-2. Модель обучена на 8,4 млрд токенов FineWeb-Edu с контекстом 16 384 токена.

Модель предназначена для генерации текста и изучения оператора внимания, в том числе экспериментов с обработкой длинного контекста. В README приведены результаты проверки извлечения ключевых слов из повторяющегося текста: 0,99 при длине 16 000 токенов и 0,96 при 24 000 токенов. Эта проверка не оценивает рассуждения на длинном контексте. Модель не является ассистентом и не проходила настройку на выполнение инструкций или на безопасность. Лицензия — Apache-2.0.

Сценарии применения

  • генерация продолжения текста
  • исследование dilution attention
  • эксперименты с языковыми моделями без позиционных кодировок
  • проверка извлечения ключевых слов в длинном контексте

Ограничения

Модель не настроена на инструкции и безопасность, поэтому не предназначена для использования как готовый ассистент. Результат NIAH измеряет извлечение ключевых слов из повторяющегося текста и не подтверждает способность рассуждать 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

dilution-209m-16k-nope-2x-s1337

A 209M-parameter research language model from the DilutionAttention release: dilution attention in every layer, no position encoding. Trained at a 16,384-token context on 8.40B tokens (2x 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)2.8574 nats/token
NIAH retrieval at 16,000 tokens (in context; chance 1/7)0.99
NIAH retrieval at 24,000 tokens (1.5x the trained context)0.96
NIAH retrieval at 32,000 tokens (2.0x the trained context)0.93
NIAH retrieval at 48,000 tokens (2.9x the trained context)0.69
NIAH retrieval at 64,000 tokens (3.9x the trained context)0.54
NIAH retrieval at 96,000 tokens (5.9x the trained context)0.37
NIAH retrieval at 128,000 tokens (7.8x the trained context)0.29
NIAH retrieval at 192,000 tokens (11.7x the trained context)0.23
NIAH retrieval at 256,000 tokens (15.6x the trained context)0.23
PG-19 loss at positions 8,192-16,384 (in context)3.372 nats/token
PG-19 loss at positions 16,384-32,768 (2x)3.334 nats/token
PG-19 loss at positions 32,768-65,536 (4x)3.395 nats/token
PG-19 loss at positions 65,536-131,072 (8x)3.413 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/dilution-209m-16k-nope-2x-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) around the call.

Training

  • Architecture: 24 layers, width 768, 12 heads, SwiGLU, no biases, tied embeddings, GPT-2 vocabulary; position encoding: none.
  • 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 end of that schedule.
  • Run record: runs/scale_16384/all_dilution_nope_seed1337/ in the release repository (metrics, resolved config, data provenance). Source checkpoint SHA-256: ceb135c90856e3c15ccc2bbd578482ef3203d262109ae97de875acef7c36a326, step 128,174.

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
9cc78ac

0 моделей