/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
dilution-attention
Опубликована
1 окт 2026

softmax-209m-1k-nope-s2357

Генерация текстаТекст → текст3 профессии

Исследовательская базовая языковая модель DilutionAttention на 209 млн параметров для экспериментов с softmax-вниманием и продолжением англоязычного текста.

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-1k-nope-s2357 — исследовательская базовая языковая модель на 209 млн параметров из выпуска DilutionAttention. Она предназначена для изучения оператора внимания и сравнения вариантов архитектуры, а не для диалогов с пользователем: модель не проходила дообучение на инструкциях или настройку безопасности. Модель использует стандартное softmax-внимание во всех 24 слоях, 768 скрытых измерений и 12 голов; позиционные кодировки нет. Веса опубликованы в формате safetensors по лицензии Apache-2.0.

Модель обучена на 4,19 млрд токенов FineWeb-Edu с контекстом 1 024 токена. В README приведены результаты проверки языковой модели и извлечения ключевого слова из контекста: последняя оценка проведена при длине 1 920 токенов и не является тестом рассуждений на длинном контексте. Для входов длиннее 1 024 токенов README предписывает использовать расширение контекста из библиотеки dilution-attention. Модель рассчитана на генерацию продолжения текста на английском языке; как базовая модель она может выдавать незапрошенное продолжение и не является готовым безопасным ассистентом.

Сценарии применения

  • сравнение softmax-внимания без позиционных кодировок
  • эксперименты с извлечением ключевых слов из контекста
  • генерация продолжения англоязычного текста
  • оценка поведения языковой модели при увеличении контекста
  • воспроизведение исследовательских экспериментов на FineWeb-Edu

Ограничения

Это базовая модель без настройки на инструкции и безопасность, поэтому она не предназначена для использования как диалоговый ассистент. Обученный контекст составляет 1 024 токена; результат NIAH при 1 920 токенах не свидетельствует о способности к рассуждениям 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-s2357

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 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)3.1746 nats/token
NIAH retrieval at 1,024 tokens (in context; chance 1/7)0.71
NIAH retrieval at 1,920 tokens (1.9x the trained context)0.39
NIAH retrieval at 3,072 tokens (3.0x the trained context)0.17
NIAH retrieval at 3,840 tokens (3.8x the trained context)0.14
NIAH retrieval at 6,144 tokens (6.0x the trained context)0.14
NIAH retrieval at 7,936 tokens (7.8x the trained context)0.14
NIAH retrieval at 12,288 tokens (12.0x the trained context)0.16
NIAH retrieval at 16,000 tokens (15.6x the trained context)0.17
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)3.308 nats/token
PG-19 loss at positions 1,024-2,048 (2x)5.384 nats/token
PG-19 loss at positions 2,048-4,096 (4x)8.410 nats/token
PG-19 loss at positions 4,096-8,192 (8x)9.955 nats/token
PG-19 loss at positions 16,384-32,768 (32x)10.457 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-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 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_seed2357/ in the release repository (metrics, resolved config, data provenance). Source checkpoint SHA-256: 0408e0eb8997a72cd7302df171e198e8704d13b0776a154fd95fbc159127fed6, 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
dfa18e3

0 моделей