/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
dilution-attention
Опубликована
1 окт 2026

softmax-209m-1k-rope-s1337

Генерация текстаТекст → текст3 профессии

Базовая языковая модель DilutionAttention на 209 млн параметров для исследований генерации текста и механизмов внимания.

145скачиваний 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-rope-s1337 — модель на 209 млн параметров из выпуска DilutionAttention, предназначенная для исследования операторов внимания. Это базовая языковая модель с softmax attention во всех слоях и позиционным кодированием RoPE с базой 500 000; она не настроена для диалога, следования инструкциям или безопасного поведения.

Модель обучена на корпусе FineWeb-Edu, токенизированном словарём GPT-2, на последовательностях длиной 1 024 токена. В карточке приведены результаты проверки retrieval-задачи NIAH: 0,97 при длине 1 024 токена и 0,14 при 1 920 токенах с NTK scaling; этот тест измеряет извлечение ключевого слова из повторяющегося текста, а не рассуждение в длинном контексте. Модель подходит для экспериментов с генерацией текста и сравнений архитектур внимания, но не для использования как готовый ассистент. Лицензия — Apache-2.0.

Сценарии применения

  • эксперименты с генерацией текста базовой языковой моделью
  • сравнение softmax attention с другими операторами внимания
  • оценка извлечения информации из контекста до 1 024 токенов

Ограничения

Модель не настроена для инструкций, диалога или безопасного поведения. При расширении контекста до 1 920 токенов результат NIAH retrieval заметно снижается; этот показатель не отражает способность 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-1k-rope-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 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)3.1276 nats/token
NIAH retrieval at 1,024 tokens (in context; chance 1/7)0.97
NIAH retrieval at 1,920 tokens (1.9x the trained context, NTK scaling)0.14
NIAH retrieval at 3,072 tokens (3.0x the trained context, NTK scaling)0.16
NIAH retrieval at 3,840 tokens (3.8x the trained context, NTK scaling)0.17
NIAH retrieval at 6,144 tokens (6.0x the trained context, NTK scaling)0.17
NIAH retrieval at 7,936 tokens (7.8x the trained context, NTK scaling)0.16
NIAH retrieval at 12,288 tokens (12.0x the trained context, NTK scaling)0.14
NIAH retrieval at 16,000 tokens (15.6x the trained context, NTK scaling)0.14
NIAH retrieval at 24,000 tokens (23.4x the trained context, NTK scaling)0.14
NIAH retrieval at 32,000 tokens (31.2x the trained context, NTK scaling)0.14
PG-19 loss at positions 512-1,024 (in context)3.134 nats/token
PG-19 loss at positions 1,024-2,048 (2x, NTK scaling)4.159 nats/token
PG-19 loss at positions 2,048-4,096 (4x, NTK scaling)6.687 nats/token
PG-19 loss at positions 4,096-8,192 (8x, NTK scaling)7.579 nats/token
PG-19 loss at positions 16,384-32,768 (32x, NTK scaling)8.239 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-rope-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, 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_1024/all_softmax_rope_1k_seed1337/ in the release repository (metrics, resolved config, data provenance). Source checkpoint SHA-256: 7e5fc4a3105803ffd23616a300f3e72523773cb995301ba59b11ed9582be497e, 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
5bd1f41

0 моделей