/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Apache 2.0
Архитектура
cma · dense
Библиотека
transformers
Опубликована
13 июл 2026

CMA-8M

Генерация текстаТекст → текст3 профессии

Компактная авторегрессионная языковая модель на 7,85 млн параметров для генерации текста и экспериментов с Channel-Mixing Attention.

398скачиваний за 30 дней22лайкавеса обновлены31 июл 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

User01110 разработал CMA-8M — компактную авторегрессионную языковую модель с 7,849,161 параметрами, предназначенную для изучения Channel-Mixing Attention на малом масштабе. Модель использует девять блоков причинного внимания с механизмом CMA в позиции feed-forward; размер скрытого состояния — 288 каналов, входные и выходные эмбеддинги связаны. Контекст составляет 1 024 токена, словарь нативного GPT-S-токенизатора — 4 096 токенов.

Модель обучалась 40 000 шагов на смеси текстовых корпусов FineWeb-Edu, Cosmopedia v2, FineWeb-HQ и FineMath 4+, всего на 20,97 млрд токенов. Она предназначена для генерации текста и небольших экспериментов с компактными языковыми моделями; приведённые в карточке результаты показывают ограниченную способность решать тесты на общие знания и математику. Доступны веса Safetensors, библиотека Transformers; лицензия — Apache-2.0.

Сценарии применения

  • генерация коротких текстовых продолжений
  • эксперименты с малой языковой моделью
  • изучение механизма Channel-Mixing Attention
  • оценка компактных моделей на тестах общих знаний
  • генерация простых математических объяснений

Ограничения

Контекст ограничен 1 024 токенами, а словарь содержит 4 096 токенов. Результаты бенчмарков указывают на ограниченные возможности модели; она значительно меньше крупных универсальных языковых моделей.

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

CMA 8M

Channel-Mixing Attention at 7.85 million parameters.

A compact generalist language model built to study channel mixing at small scale.

7.85M parameters | 1,024-token context | 4,096-token vocabulary | Safetensors

40,000 training steps | 20.97B trained tokens


Overview

CMA 8M is a 7,849,161-parameter Channel-Mixing Attention generalist causal language model trained for 40,000 steps. It pairs a compact nine-layer architecture with the unmodified native GPT-S 4,096-token tokenizer.

DetailValue
ArchitectureChannel-Mixing Attention causal LM
Parameters7,849,161, with tied input/output embeddings
CheckpointStep 40,000
Training tokens20,971,520,000
Context length1,024 tokens
Vocabulary4,096 native tokens
WeightsSafetensors

How CMA works

In each of the nine transformer blocks, causal token attention is followed by CMA in the feed-forward position. For every token, CMA reshapes the 288-channel hidden state into 12 chunks of 24, routes between those chunks with 3 heads, applies a signed blend and SiLU gate, then projects back to 288 channels.

CMA 8M architecture

Quick start

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = "User01110/CMA-8M"

tokenizer = AutoTokenizer.from_pretrained(
    repo_id,
    trust_remote_code=True,
)

model = AutoModelForCausalLM.from_pretrained(
    repo_id,
    trust_remote_code=True,
    dtype="auto",
)

model.eval()

prompt = "Channel-mixing attention is"
inputs = tokenizer(prompt, return_tensors="pt")

with torch.inference_mode():
    output = model.generate(
        **inputs,
        max_new_tokens=80,
        do_sample=True,
        temperature=0.8,
        top_p=0.95,
    )

print(tokenizer.decode(output[0], skip_special_tokens=True))

Architecture

ComponentConfiguration
Total parameters7,849,161
Tied embedding parameters1,179,648
Non-embedding parameters6,669,513
Width / layers288 / 9
Context length1,024 tokens
Token-attention heads6 query / 2 KV
CMAchunk 24 / 3 heads / expansion 2
Positional encodingContiguous-half RoPE
TokenizerAxiomicLabs/GPT-S-5M at revision df47402
Vocabulary4,096 native tokens
RuntimePyTorch 2.5+ for native SDPA grouped-query attention
WeightsSafetensors

Input and output embeddings are tied.

Training mixture

All four sources are streamed natural-text corpora.

SourceShare of trained tokens
FineWeb-Edu 100BT shuffled55.00%
Cosmopedia v225.00%
FineWeb-HQ10.00%
FineMath 4+10.00%

FineMath 4+ supplies high-quality mathematical explanations and reasoning as ordinary causal-language-model text.

Training trajectory

Across the logged validation checkpoints, normalized bits per byte (BPB) decreased from 3.7838 to 1.3520, while validation loss decreased from 8.3686 to 2.9903.

CMA 8M training trajectory

Evaluation

Zero-shot results at step 40,000

The four lm-eval tasks use normalized accuracy when supplied by lm-eval 0.4.12, with float32 weights and softmax. ArithMark uses float32 weights and its official raw continuation log-likelihood-sum rule.

BenchmarkAccuracy
HellaSwag28.19%
ARC-Easy35.35%
ARC-Challenge23.29%
PIQA58.22%
ArithMark-229.12%

WikiText-103 validation

MetricValue
Loss2.9903
Perplexity19.89
Normalized BPB1.3520
Scored tokens358,911
Normalized UTF-8 bytes1,145,226

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
CMAForCausalLM
Ревизия весов
e78ca88

0 моделей