/ Модель

Характеристики

Контекст
1 024 токена
Параметры
54,6 млн
Лицензия
Apache 2.0
Архитектура
suprabrain · dense
Библиотека
transformers
Опубликована
3 авг 2026

SupraBrain-50M

Генерация текстаТекст → текст3 профессии

Компактная экспериментальная языковая модель SupraLabs для генерации текста с гибридной архитектурой Gated DeltaNet и скользящего внимания.

214скачиваний за 30 дней18лайковвеса обновлены3 авг 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

SupraBrain 50M v0.1 — экспериментальная гибридная языковая модель от SupraLabs с 54,6 млн параметров. Она предназначена для генерации текста и продолжения последовательностей. В архитектуре сочетаются Gated DeltaNet с линейной рекуррентной обработкой и скользящее оконное внимание; каждые четыре слоя один использует внимание с окном 256 токенов, а один слой — глобальное внимание. Контекст модели составляет 1 024 токена.

Модель обучена на 5 млрд токенов из FineWeb-Edu и Cosmopedia-v2. Токенизатор Byte-Level BPE отдельно разбивает цифры, что задумано для улучшения работы с числами и арифметическими задачами в компактной модели. В README приведены результаты бенчмарков, однако они не доказывают надёжность для конкретных прикладных сценариев. Для загрузки требуется локальная регистрация пользовательского класса модели; в карточке также упомянуты зависимости flash-linear-attention и PyTorch flex_attention. Лицензия — Apache 2.0.

Сценарии применения

  • генерация коротких текстовых продолжений
  • эксперименты с гибридной линейной и оконной обработкой контекста
  • исследование языковых моделей размером около 50 млн параметров
  • проверка генерации числовых последовательностей и простых арифметических рассуждений

Ограничения

Контекст ограничен 1 024 токенами; для загрузки требуется пользовательская регистрация архитектуры и дополнительные зависимости. Это экспериментальная модель, и приведённые бенчмарки сами по себе не подтверждают качество для прикладного использования.

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

SupraBrain 50M v0.1

SupraBrain 50M v0.1 is an experimental 50-million parameter hybrid language model engineered by SupraLabs. It combines Gated DeltaNet linear recurrence with Sliding-Window Attention and Surprise-Gated update mechanisms, optimized using a custom Muon + AdamW hybrid optimizer schedule.

Model Summary

  • Developer: SupraLabs
  • Architecture: Hybrid Gated DeltaNet (3:1) + Sliding-Window Attention + Surprise Gating
  • Parameters: ~50M (Sub-50M budget constraint)
  • Vocabulary Size: 23,808 (GEMM-friendly: 186*128, Byte-Level BPE with Digit-Splitting)
  • Context Length: 1,024 tokens (Supports sliding-window attention)
  • Primary Training Data: FineWeb-Edu & Cosmopedia-v2 (5B tokens total)
  • License: Apache 2.0

Key Architectural Innovations

  1. Hybrid Layer Layout (3:1 Ratio):
    • Gated DeltaNet (GDN): 3 out of every 4 layers use Gated DeltaNet linear state-space recurrence for linear-time complexity and fast sequence processing.
    • Sliding-Window Attention (SWA): Every 4th layer incorporates localized attention (Window size = 256) with QK-Normalization to maintain strong long-range associative recall. Layer 19 features full global attention.
  2. Surprise-Gated Updates ($\beta_t$):
    • Implements a scale-invariant residual prediction mechanism (SurpriseBeta) that dynamically scales learning updates based on local sequence surprise/prediction error.
  3. Digit-Split Tokenizer:
    • Custom Byte-Level BPE tokenizer trained on FineWeb-Edu. Enforces single-digit splitting (individual_digits=True) to dramatically boost arithmetic and numerical reasoning performance in sub-100M parameter models.
  4. Half-Untied Head & Low-Rank Gates:
    • Utilizes an unembedding rank adapter (unembed_rank=32) and low-rank output gating (gdn_gate_rank=32) to conserve parameter count while maintaining model capacity in the core layers.
  5. Custom Muon + AdamW Hybrid Optimizer:
    • 2D weight matrices in the body are optimized using the Muon optimizer (Newton-Schulz orthogonalization updates), while embeddings, norms, and 1D vectors are updated via AdamW over a WSD (Warmup-Stable-Decay) schedule.

Benchmarks

TasksVersionFiltern-shotMetricValueStderr
arc_challenge1none0acc↑0.2065±0.0118
none0acc_norm↑0.2329±0.0124
arc_easy1none0acc↑0.4882±0.0103
none0acc_norm↑0.4255±0.0101
boolq2none0acc↑0.4223±0.0086
hellaswag1none0acc↑0.2914±0.0045
none0acc_norm↑0.3160±0.0046
lambada_openai1none0acc↑0.3072±0.0064
none0perplexity↓66.3967±2.8867
openbookqa1none0acc↑0.1920±0.0176
none0acc_norm↑0.3160±0.0208
piqa1none0acc↑0.6295±0.0113
none0acc_norm↑0.6175±0.0113
sciq1none0acc↑0.7020±0.0145
none0acc_norm↑0.5990±0.0155
wikitext2none0bits_per_byte↓1.0489±N/A
none0byte_perplexity↓2.0689±N/A
none0word_perplexity↓48.8008±N/A
winogrande1none0acc↑0.4878±0.0140

Model Configuration

HyperparameterValue
hidden_size384
num_hidden_layers28
intermediate_size1152 (2-Matrix MLP with RationalAct)
gdn_num_heads / dim3 heads / 128 dim
attn_num_heads / kv_heads6 query heads / 2 KV heads (GQA)
attn_window256
max_position_embeddings1024
mlp_actPer-channel learnable Rational Activation

Usage

Since SupraBrain uses a custom architecture without standard Hugging Face native integration, you must register the model class locally before loading it with AutoModelForCausalLM.

Quickstart (Inference Script)

First, download the modeling script:

wget https://huggingface.co/SupraLabs/SupraBrain-50M/resolve/main/modeling_suprabrain.py

Then, load the model:

import importlib
import torch
from transformers import AutoConfig, AutoModelForCausalLM, AutoTokenizer

# Import custom model and config classes from the model script (modeling_suprabrain.py)
sb_module = importlib.import_module("modeling_suprabrain")
SupraBrainConfig = sb_module.SupraBrainConfig
SupraBrainForCausalLM = sb_module.SupraBrainForCausalLM

# Register custom architecture with Hugging Face AutoClasses
AutoConfig.register("suprabrain", SupraBrainConfig)
AutoModelForCausalLM.register(SupraBrainConfig, SupraBrainForCausalLM)

model_id = "SupraLabs/SupraBrain-50M"

print("[*] Loading tokenizer and model...")
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    trust_remote_code=True,
    torch_dtype=torch.bfloat16
).to("cuda")

# Prompt setup
prompt = "The mitochondrion produces"
inputs = tokenizer(prompt, return_tensors="pt").to("cuda")

# Generation with repetition penalty control
print("[*] Generating text...")
with torch.no_grad():
    outputs = model.generate(
        **inputs,
        max_new_tokens=100,
        temperature=0.7,
        top_p=0.9,
        do_sample=True,
        no_repeat_ngram_size=3,  # Prevents 3-gram repetitions
        pad_token_id=tokenizer.pad_token_id,
        eos_token_id=tokenizer.eos_token_id
    )

generated_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
print("\n--- Output ---")
print(generated_text)

Training Details

Training Pipeline & Schedule

  • Dataset: 5 Billion Tokens Total

  • Stable Phase (3.6B Tokens): FineWeb-Edu (sample-100BT)

  • Anneal Phase (1.4B Tokens): 65% FineWeb-Edu (Score $\ge 4.2$) + 35% Cosmopedia-v2

  • Schedule: Warmup-Stable-Decay (WSD) with square-root decay during the annealing phase.

  • Batch Size: Micro-batch size 16 with Gradient Accumulation 8 ($\approx 262,144$ tokens/step over sequence length 1024).

Hardware Requirements & Optimization

  • Dependencies: Optimized with flash-linear-attention (fla) for Gated DeltaNet kernels and PyTorch flex_attention for masked sliding-window operations.
  • FP32 Logit Chunking: Uses memory-checkpointed chunked Cross-Entropy loss to avoid VRAM allocation spikes.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
SupraBrainForCausalLM
Ревизия весов
7d8924e

0 моделей