/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
dilution-attention
Опубликована
1 окт 2026

softmax-209m-16k-nope-1x-s2357

Генерация текстаТекст → текст3 профессии

Исследовательская базовая языковая модель на 209 млн параметров для экспериментов с softmax-вниманием и 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

softmax-209m-16k-nope-1x-s2357 — исследовательская языковая модель на 209 млн параметров из выпуска DilutionAttention. Это базовая модель с обычным softmax-вниманием во всех слоях; в ней нет позиционного кодирования. Архитектура включает 24 слоя, ширину 768, 12 голов внимания, SwiGLU, связанные эмбеддинги и словарь GPT-2. Модель обучалась на контексте 16 384 токена на корпусе FineWeb-Edu; карточка указывает лицензию Apache-2.0.

Модель предназначена для изучения оператора внимания и экспериментов с продолжением текста, а не для диалога с пользователем. Она не проходила инструкционную или safety-настройку. В карточке приведены validation loss 3,2907 и низкие результаты извлечения ключевых слов по NIAH: 0,17 при 16 000 токенов и 0,14 при 24 000 токенов; этот тест не измеряет рассуждение на длинном контексте. README также сообщает о скачках градиента около шага 13 400, после которых качество обучения не восстановилось, поэтому чекпойнт следует рассматривать как экспериментальный контроль, а не как надёжную модель для прикладных задач.

Сценарии применения

  • сравнение вариантов оператора внимания
  • изучение влияния позиционного кодирования на генерацию текста
  • воспроизведение экспериментов DilutionAttention
  • оценка извлечения ключевых слов из длинного контекста

Ограничения

Модель не настроена для выполнения инструкций или безопасного диалога; результаты извлечения из длинного контекста низкие. При обучении возникли скачки градиента около шага 13 400, после которых loss не восстановился.

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

softmax-209m-16k-nope-1x-s2357

A 209M-parameter research language model from the DilutionAttention release: softmax attention in every layer, no position encoding (control; this seed hit gradient spikes near step 13,400 and never recovered the loss). 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)3.2907 nats/token
NIAH retrieval at 16,000 tokens (in context; chance 1/7)0.17
NIAH retrieval at 24,000 tokens (1.5x the trained context)0.14
NIAH retrieval at 32,000 tokens (2.0x the trained context)0.14
NIAH retrieval at 48,000 tokens (2.9x the trained context)0.14
NIAH retrieval at 64,000 tokens (3.9x the trained context)0.14
NIAH retrieval at 96,000 tokens (5.9x the trained context)0.14
NIAH retrieval at 128,000 tokens (7.8x the trained context)0.14
NIAH retrieval at 192,000 tokens (11.7x the trained context)0.14
NIAH retrieval at 256,000 tokens (15.6x the trained context)0.14
PG-19 loss at positions 8,192-16,384 (in context)3.820 nats/token
PG-19 loss at positions 16,384-32,768 (2x)3.978 nats/token
PG-19 loss at positions 32,768-65,536 (4x)5.544 nats/token
PG-19 loss at positions 65,536-131,072 (8x)6.203 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/softmax-209m-16k-nope-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) 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_16384/all_softmax_nope_lr6e-4_seed2357/ in the release repository (metrics, resolved config, data provenance). Source checkpoint SHA-256: b079ee108edcf5198451383c8bafde44e0806206a1649e620cd8b0e897231c4f, 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
33e24e8

0 моделей