/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
dilution-attention
Опубликована
1 окт 2026

dilution-209m-16k-nope-2x-s2357

Генерация текстаТекст → текст3 профессии

Базовая языковая модель DilutionAttention на 209 млн параметров для экспериментов с dilution attention и извлечением информации из длинного контекста.

142скачиваний 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-s2357 — базовая языковая модель на 209 млн параметров из релиза DilutionAttention. Она предназначена для изучения механизма dilution attention и экспериментов с обработкой длинного контекста, а не для диалогов с пользователем. Модель не проходила инструктивное или safety-дообучение.

Архитектура включает 24 слоя, ширину 768, 12 голов внимания и SwiGLU; позиционные кодировки нет. Обучение завершено на контексте 16 384 токена и 8,40 млрд токенов корпуса FineWeb-Edu. В описанных тестах NIAH модель показала точное извлечение ключевого слова при длине 16 000 и 24 000 токенов; авторы подчёркивают, что этот тест не измеряет рассуждение на длинном контексте. Для входов свыше 16 384 токенов требуется обёртка ExtendedContext.

Модель использует библиотеку dilution-attention и распространяется в формате safetensors по лицензии Apache-2.0. Это исследовательский базовый чекпойнт для изучения оператора внимания; его результаты на задаче извлечения не свидетельствуют о способности выполнять инструкции или сложные задачи на длинных текстах.

Сценарии применения

  • изучение механизма dilution attention
  • сравнение операторов внимания в языковых моделях
  • эксперименты с генерацией текста на английском языке
  • проверка извлечения ключевых слов из длинного контекста

Ограничения

Модель не настроена на выполнение инструкций и не проходила safety-дообучение. Тест NIAH проверяет извлечение ключевого слова, а не рассуждение; контекст длиннее 16 384 токенов требует ExtendedContext.

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-s2357

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 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)2.8541 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)1.00
NIAH retrieval at 32,000 tokens (2.0x the trained context)1.00
NIAH retrieval at 48,000 tokens (2.9x the trained context)1.00
NIAH retrieval at 64,000 tokens (3.9x the trained context)0.97
NIAH retrieval at 96,000 tokens (5.9x the trained context)0.93
NIAH retrieval at 128,000 tokens (7.8x the trained context)0.83
NIAH retrieval at 192,000 tokens (11.7x the trained context)0.77
NIAH retrieval at 256,000 tokens (15.6x the trained context)0.67
PG-19 loss at positions 8,192-16,384 (in context)3.353 nats/token
PG-19 loss at positions 16,384-32,768 (2x)3.349 nats/token
PG-19 loss at positions 32,768-65,536 (4x)3.382 nats/token
PG-19 loss at positions 65,536-131,072 (8x)3.389 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-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) 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_seed2357/ in the release repository (metrics, resolved config, data provenance). Source checkpoint SHA-256: f3ee60c6baba76817d80fc3850dfcdb473d1ed89c61a4b504dbdcf32f668de7a, 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
64b95c9

0 моделей