/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
dilution-attention
Опубликована
1 окт 2026

softmax-209m-1k-nope-s1337

Генерация текстаТекст → текст3 профессии

Исследовательская языковая модель на 209 млн параметров для изучения softmax-внимания и экстраполяции контекста при генерации английского текста.

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-1k-nope-s1337 — исследовательская языковая модель на 209 млн параметров из выпуска DilutionAttention. Модель разработана для изучения оператора внимания: во всех 24 слоях используется softmax-внимание без позиционного кодирования. Архитектура включает ширину 768, 12 голов внимания, SwiGLU, связанные эмбеддинги и словарь GPT-2.

Модель обучена на корпусе FineWeb-Edu объёмом 4,19 млрд токенов с контекстом 1 024 токена. Она продолжает текст на английском языке и предназначена для экспериментов с вниманием и экстраполяцией контекста, а не для диалога или выполнения инструкций. В README приведены результаты retrieval-теста NIAH: 0,98 при контексте 1 024 токена и 0,56 при 1 920 токенах; авторы подчёркивают, что этот тест не измеряет рассуждения на длинном контексте.

Модель не дообучалась на инструкциях и не проходила настройку безопасности, поэтому не рассчитана на роль ассистента. Для входов длиннее 1 024 токенов README требует обёртку ExtendedContext. Файлы опубликованы в формате safetensors; лицензия — Apache-2.0.

Сценарии применения

  • сравнение softmax-внимания с другими операторами внимания
  • эксперименты с языковым моделированием на английском тексте
  • оценка извлечения ключевых слов из контекста
  • изучение влияния отсутствия позиционного кодирования
  • проверка экстраполяции за пределы обучающего контекста

Ограничения

Модель не настроена для инструкций и безопасности и не предназначена для использования как ассистент. Обучающий контекст составляет 1 024 токена, а приведённый тест NIAH не оценивает рассуждения 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-1k-nope-s1337

A 209M-parameter research language model from the DilutionAttention release: softmax attention in every layer, no position encoding (control). Trained at a 1,024-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)3.1852 nats/token
NIAH retrieval at 1,024 tokens (in context; chance 1/7)0.98
NIAH retrieval at 1,920 tokens (1.9x the trained context)0.56
NIAH retrieval at 3,072 tokens (3.0x the trained context)0.27
NIAH retrieval at 3,840 tokens (3.8x the trained context)0.23
NIAH retrieval at 6,144 tokens (6.0x the trained context)0.16
NIAH retrieval at 7,936 tokens (7.8x the trained context)0.16
NIAH retrieval at 12,288 tokens (12.0x the trained context)0.14
NIAH retrieval at 16,000 tokens (15.6x the trained context)0.14
NIAH retrieval at 24,000 tokens (23.4x the trained context)0.14
NIAH retrieval at 32,000 tokens (31.2x the trained context)0.14
PG-19 loss at positions 512-1,024 (in context)3.234 nats/token
PG-19 loss at positions 1,024-2,048 (2x)5.018 nats/token
PG-19 loss at positions 2,048-4,096 (4x)7.753 nats/token
PG-19 loss at positions 4,096-8,192 (8x)8.437 nats/token
PG-19 loss at positions 16,384-32,768 (32x)9.033 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-1k-nope-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 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_softmax_nope_1k_seed1337/ in the release repository (metrics, resolved config, data provenance). Source checkpoint SHA-256: 4575d813bd9b48048bfc27b264d6fddbb74953bfcf6ed3da28557e6435d882ba, 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
106883a

0 моделей