/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
dilution-attention
Опубликована
1 окт 2026

dilution-209m-1k-nope-s1337

Генерация текстаТекст → текст3 профессии

Экспериментальная базовая языковая модель на 209 млн параметров для изучения dilution attention и экстраполяции контекста.

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-1k-nope-s1337 — базовая языковая модель на 209 млн параметров из релиза DilutionAttention. Она предназначена для изучения оператора dilution attention и экстраполяции длины контекста, а не для диалога с пользователем: модель не проходила инструкционное и безопасностное дообучение.

Архитектура включает 24 слоя, ширину 768, 12 голов внимания и SwiGLU; позиционные кодировки нет. Модель обучалась на корпусе FineWeb-Edu объёмом 4,19 млрд токенов при контексте 1 024 токена. В описанных тестах NIAH показала результат 1,00 при длине 1 024 и 1 920 токенов, однако этот тест измеряет извлечение ключевого слова по правдоподобию и не свидетельствует о способности к рассуждению на длинном контексте. Для ввода длиннее 1 024 токенов README указывает использовать ExtendedContext.

Модель генерирует текст на английском языке и распространяется в формате safetensors по лицензии Apache-2.0. Она подходит для исследовательских экспериментов с механизмом внимания; отсутствие инструкционной настройки ограничивает её применение как готового ассистента.

Сценарии применения

  • эксперименты с механизмом dilution attention
  • сравнение способов экстраполяции контекста
  • измерение извлечения фактов из длинного контекста
  • исследование базовой генерации английского текста

Ограничения

Модель не настроена на выполнение инструкций и не прошла настройку безопасности, поэтому не является готовым ассистентом. Описанный тест NIAH измеряет извлечение ключевых слов, а не рассуждение на длинном контексте; для ввода длиннее 1 024 токенов требуется 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-1k-nope-s1337

A 209M-parameter research language model from the DilutionAttention release: dilution attention in every layer, no position encoding. Trained at a 1,024-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)3.1653 nats/token
NIAH retrieval at 1,024 tokens (in context; chance 1/7)1.00
NIAH retrieval at 1,920 tokens (1.9x the trained context)1.00
NIAH retrieval at 3,072 tokens (3.0x the trained context)1.00
NIAH retrieval at 3,840 tokens (3.8x the trained context)1.00
NIAH retrieval at 6,144 tokens (6.0x the trained context)0.66
NIAH retrieval at 7,936 tokens (7.8x the trained context)0.54
NIAH retrieval at 12,288 tokens (12.0x the trained context)0.31
NIAH retrieval at 16,000 tokens (15.6x the trained context)0.27
NIAH retrieval at 24,000 tokens (23.4x the trained context)0.17
NIAH retrieval at 32,000 tokens (31.2x the trained context)0.17
PG-19 loss at positions 512-1,024 (in context)3.374 nats/token
PG-19 loss at positions 1,024-2,048 (2x)3.502 nats/token
PG-19 loss at positions 2,048-4,096 (4x)3.648 nats/token
PG-19 loss at positions 4,096-8,192 (8x)3.737 nats/token
PG-19 loss at positions 16,384-32,768 (32x)4.179 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-1k-nope-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 1,024 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 step-64,000 (1x) checkpoint, where the learning rate is 55.7% of peak.
  • Run record: runs/scale_1024/all_dilution_nope_1k_seed1337/ in the release repository (metrics, resolved config, data provenance). Source checkpoint SHA-256: 1eb6df7c384128932ef3cc8d11612ad3921894f8bc85dcbf1df0d4c62eede40c, 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
86241fc

0 моделей