/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
dilution-attention
Опубликована
1 окт 2026

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

Генерация текстаТекст → текст3 профессии

Исследовательская языковая модель на 209 млн параметров для изучения softmax-внимания и работы с контекстом до 16 384 токенов.

144скачиваний 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-s2357 — языковая модель на 209 млн параметров из исследовательского выпуска DilutionAttention. Это базовая модель с обычным softmax-вниманием во всех слоях и без позиционного кодирования; она не является чат-ассистентом и не проходила настройку на выполнение инструкций или на безопасность. Модель обучена на корпусе FineWeb-Edu с контекстом 16 384 токена и рассчитана на эксперименты с оператором внимания и переносом на более длинные последовательности.

Архитектура включает 24 слоя, ширину 768, 12 голов внимания и SwiGLU; используются словарь GPT-2 и связанные входные и выходные эмбеддинги. В тесте извлечения ключевого слова NIAH модель показала 0,29 при длине 16 000 токенов и 0,26 при 24 000 токенов. Этот тест измеряет поиск ключевого слова среди повторяющегося текста, а не рассуждение в длинном контексте. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

Сценарии применения

  • сравнение softmax-внимания в языковых моделях
  • эксперименты с моделями без позиционного кодирования
  • оценка извлечения ключевых слов из длинного контекста
  • воспроизведение экспериментов на FineWeb-Edu

Ограничения

Это базовая модель без настройки на инструкции и безопасность, поэтому она не предназначена для использования как чат-ассистент. Результат NIAH отражает поиск ключевого слова среди повторяющегося текста и не свидетельствует о способности рассуждать в 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-s2357

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 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)3.0716 nats/token
NIAH retrieval at 16,000 tokens (in context; chance 1/7)0.29
NIAH retrieval at 24,000 tokens (1.5x the trained context)0.26
NIAH retrieval at 32,000 tokens (2.0x the trained context)0.23
NIAH retrieval at 48,000 tokens (2.9x the trained context)0.14
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)0.13
PG-19 loss at positions 8,192-16,384 (in context)3.542 nats/token
PG-19 loss at positions 16,384-32,768 (2x)5.153 nats/token
PG-19 loss at positions 32,768-65,536 (4x)6.758 nats/token
PG-19 loss at positions 65,536-131,072 (8x)7.317 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-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_softmax_nope_lr6e-4_seed2357/ in the release repository (metrics, resolved config, data provenance). Source checkpoint SHA-256: 6224230c03ac61da06cfb9f5721cf30536a3246f88ccba6852a7edb1919f1c90, 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
5fd8ec8

0 моделей