/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
dilution-attention
Опубликована
1 окт 2026

softmax-209m-16k-rope-1x-s1337

Генерация текстаТекст → текст3 профессии

Базовая языковая модель DilutionAttention на 209 млн параметров для генерации текста и исследований softmax-внимания и длинного контекста.

157скачиваний 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-rope-1x-s1337 — базовая языковая модель на 209 млн параметров из выпуска DilutionAttention. Это контрольная модель с softmax attention во всех слоях и позиционным кодированием RoPE с base 5e5; разработчик в карточке не назван. Модель обучена на 4,19 млрд токенов FineWeb-Edu с контекстом 16 384 токена. Архитектура включает 24 слоя, ширину 768, 12 голов внимания, SwiGLU, связанные эмбеддинги и словарь GPT-2.

Модель предназначена для генерации текста и исследований оператора внимания, длины контекста и экстраполяции. Это базовая модель, а не чат-ассистент: она не проходила дообучение на инструкциях или настройку безопасности. В тесте извлечения NIAH результат составил 0,79 при 16 000 токенов и 0,17 при 24 000 токенов с NTK scaling; этот тест оценивает поиск ключевого слова среди повторяющегося заполнителя и не свидетельствует о способности к рассуждению на длинном контексте. Лицензия — Apache-2.0.

Сценарии применения

  • генерация продолжений текста
  • сравнение вариантов оператора внимания
  • исследование извлечения информации при контексте до 16 тысяч токенов
  • эксперименты с экстраполяцией контекста с NTK scaling

Ограничения

Модель не настроена на инструкции и безопасность, поэтому не предназначена для диалогового использования как ассистент. На длине 24 000 токенов результат NIAH с NTK scaling значительно ниже, чем при 16 000 токенов; NIAH не измеряет 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-rope-1x-s1337

A 209M-parameter research language model from the DilutionAttention release: softmax attention in every layer with RoPE (base 5e5); the control. Trained at a 16,384-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)3.0883 nats/token
NIAH retrieval at 16,000 tokens (in context; chance 1/7)0.79
NIAH retrieval at 24,000 tokens (1.5x the trained context, NTK scaling)0.17
NIAH retrieval at 32,000 tokens (2.0x the trained context, NTK scaling)0.14
NIAH retrieval at 48,000 tokens (2.9x the trained context, NTK scaling)0.17
NIAH retrieval at 64,000 tokens (3.9x the trained context, NTK scaling)0.14
PG-19 loss at positions 8,192-16,384 (in context)3.537 nats/token
PG-19 loss at positions 16,384-32,768 (2x, NTK scaling)3.710 nats/token
PG-19 loss at positions 32,768-65,536 (4x, NTK scaling)4.517 nats/token
PG-19 loss at positions 65,536-131,072 (8x, NTK scaling)5.338 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-rope-1x-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, ntk=True) around the call.

Training

  • Architecture: 24 layers, width 768, 12 heads, SwiGLU, no biases, tied embeddings, GPT-2 vocabulary; position encoding: rope.
  • 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_rope_seed1337/ in the release repository (metrics, resolved config, data provenance). Source checkpoint SHA-256: b2132bf6fa7fe940e98034cac7304fee9046ef68688683f914789f0b8275a747, 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
1fd1561

0 моделей