/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
dilution-attention
Опубликована
1 окт 2026

dilution-209m-1k-nope-s2357

Генерация текстаТекст → текст3 профессии

Базовая языковая модель Royer Research Labs на 209 млн параметров для генерации текста и исследований DilutionAttention и экстраполяции 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

Royer Research Labs выпустила dilution-209m-1k-nope-s2357 — базовую языковую модель на 209 млн параметров для исследований оператора внимания DilutionAttention. В каждом из 24 слоёв используется dilution attention; в модели нет позиционного кодирования. Архитектура включает 12 голов внимания, ширину 768, SwiGLU, связанные эмбеддинги и словарь GPT-2. Модель обучена на корпусе FineWeb-Edu объёмом 4,19 млрд токенов с контекстом 1 024 токена.

Модель предназначена для генерации текста и экспериментов с механизмом внимания и экстраполяцией контекста, а не для диалогов с пользователем. Она не проходила настройку по инструкциям или настройку безопасности. В README приведены результаты извлечения ключевых слов из повторяющегося текста на длинах 1 024 и 1 920 токенов; этот тест не оценивает рассуждения на длинном контексте. Для входов длиннее 1 024 токенов README указывает на использование ExtendedContext из библиотеки dilution-attention. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • генерация текста на основе продолжения промпта
  • исследование механизма внимания DilutionAttention
  • эксперименты с экстраполяцией контекста
  • оценка извлечения ключевых слов из длинного контекста

Ограничения

Это базовая модель без настройки по инструкциям и безопасности, поэтому она не предназначена для использования как диалоговый ассистент. Указанный тест извлечения ключевых слов не свидетельствует о способности рассуждать на длинном контексте; для входов 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-s2357

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 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)3.1611 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)1.00
NIAH retrieval at 7,936 tokens (7.8x the trained context)1.00
NIAH retrieval at 12,288 tokens (12.0x the trained context)0.81
NIAH retrieval at 16,000 tokens (15.6x the trained context)0.63
NIAH retrieval at 24,000 tokens (23.4x the trained context)0.43
NIAH retrieval at 32,000 tokens (31.2x the trained context)0.39
PG-19 loss at positions 512-1,024 (in context)3.343 nats/token
PG-19 loss at positions 1,024-2,048 (2x)3.445 nats/token
PG-19 loss at positions 2,048-4,096 (4x)3.581 nats/token
PG-19 loss at positions 4,096-8,192 (8x)3.676 nats/token
PG-19 loss at positions 16,384-32,768 (32x)4.226 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-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 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_seed2357/ in the release repository (metrics, resolved config, data provenance). Source checkpoint SHA-256: ae7a395442026a7b49cc89e47eec02e8741fd7745e05918bf0816ee116303e95, 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
e21445e

0 моделей