/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
dilution-attention
Опубликована
1 окт 2026

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

Генерация текстаТекст → текст3 профессии

Исследовательская языковая модель на 209 млн параметров для изучения softmax-внимания без позиционного кодирования и работы с длинным контекстом.

143скачиваний 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-2x-s1337 — исследовательская базовая языковая модель на 209 млн параметров из выпуска DilutionAttention. Модель предназначена для изучения оператора внимания и экстраполяции контекста, а не для диалогов с пользователем: она не проходила инструкционную или safety-настройку.

Архитектура включает 24 слоя, ширину 768, 12 голов внимания, SwiGLU, общие входные и выходные эмбеддинги и словарь GPT-2. Во всех слоях используется softmax-внимание без позиционного кодирования. Модель обучена на 8,4 млрд токенов FineWeb-Edu с контекстом 16 384 токена; в карточке приведены результаты проверки потерь и поиска ключевого слова на контекстах до 24 000 токенов. Поддерживаемый язык — английский.

Для запуска используется библиотека dilution-attention, веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Оценка NIAH в карточке измеряет поиск ключевого слова по шаблонному заполнителю и не свидетельствует о способности к рассуждению на длинном контексте; модель также не является готовым ассистентом.

Сценарии применения

  • сравнение операторов внимания в языковых моделях
  • изучение влияния отсутствия позиционного кодирования
  • эксперименты с экстраполяцией контекста за пределы 16 384 токенов
  • воспроизведение экспериментов на FineWeb-Edu

Ограничения

Это базовая модель без инструкционной и safety-настройки, поэтому она не предназначена для использования как диалоговый ассистент. Показатель NIAH в карточке оценивает поиск ключевых слов по повторяющемуся заполнителю, а не рассуждение 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

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

A 209M-parameter research language model from the DilutionAttention release: softmax attention in every layer, no position encoding (control). 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)3.0039 nats/token
NIAH retrieval at 16,000 tokens (in context; chance 1/7)0.31
NIAH retrieval at 24,000 tokens (1.5x the trained context)0.23
NIAH retrieval at 32,000 tokens (2.0x the trained context)0.23
NIAH retrieval at 48,000 tokens (2.9x the trained context)0.19
NIAH retrieval at 64,000 tokens (3.9x the trained context)0.17
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)3.498 nats/token
PG-19 loss at positions 16,384-32,768 (2x)5.462 nats/token
PG-19 loss at positions 32,768-65,536 (4x)7.827 nats/token
PG-19 loss at positions 65,536-131,072 (8x)8.471 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-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_softmax_nope_lr6e-4_seed1337/ in the release repository (metrics, resolved config, data provenance). Source checkpoint SHA-256: 54ef65dbe1fbc10344da1997f58f7ec1efc472784500cd43577be4f42330e82f, 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
c4d8b74

0 моделей