/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
182 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Библиотека
transformers
Опубликована
16 ноя 2025

kl3m-006-170m-checkpoint-63000

Генерация текстаТекст → текст3 профессии

Контрольная точка KL3M от Alea Institute — англоязычная Llama-модель для генерации юридических и связанных с правом текстов.

453скачиваний за 30 дней0лайковвеса обновлены28 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

KL3M 170M — языковая модель Alea Institute для генерации текста на юридическую тематику. Это плотная Llama-архитектура с Grouped Query Attention: 30 слоёв, 181,7 млн параметров и контекст до 4096 токенов. Контрольная точка обучена на многоотраслевом корпусе юридических текстов, включая судебные материалы, федеральные нормативные акты, патенты и документы SEC; в обучении применялись оптимизатор Muon и спектральная регуляризация.

Модель предназначена для генерации связного текста в стиле юридических документов: аргументации для судебных материалов, нормативных формулировок, патентных притязаний и корпоративной финансовой отчётности. Карточка сообщает об улучшении контроля повторов относительно более ранних контрольных точек, но не приводит независимых оценок качества. Это контрольная точка на 63 000 шаге, использующая BF16 и формат safetensors; лицензия — Apache-2.0. Основной язык карточки — английский.

Сценарии применения

  • черновики аргументации для судебных документов
  • продолжение текста нормативных актов
  • генерация формулировок патентных притязаний
  • черновики разделов корпоративной и финансовой отчётности
  • генерация текста в юридическом стиле по заданному началу

Ограничения

Модель обучена преимущественно на юридических текстах США и рассчитана на английский язык; её генерации требуют проверки, а независимые оценки качества в карточке не приведены. Контекст ограничен 4096 токенами.

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

KL3M 170M, 6th Gen Model, 63K Checkpoint (Phase 2 + Phase A)

A 170M parameter language model trained on multi-domain legal text using the Muon optimizer with Phase A improvements: layer-selective spectral clamping and per-layer learning rates. This is the final checkpoint before 4x depth stacking to 500M parameters.

Model Details

  • Architecture: Llama-based with Grouped Query Attention (GQA)
  • Parameters: 181.7M (170M non-embedding)
  • Training Steps: 63,000 (37K Phase 1 + 26K Phase 2 with Phase A)
  • Tokens Processed: 15.83 billion
  • Sequence Length: 4,096 tokens
  • Precision: BF16
  • Optimizer: Muon with layer-selective spectral regularization

Model Architecture

  • Hidden Size: 576
  • Layers: 30
  • Attention Heads: 9 (3 KV heads with GQA)
  • Intermediate Size: 1536
  • Vocabulary: 131,072 tokens
  • RoPE Theta: 100,000

Training Configuration

Phase 2 + Phase A Multi-Domain Dataset

  • Source: alea-institute/kl3m-data-sample-004-balanced
  • Type: Multi-domain legal corpus
    • RECAP (Court filings): 48-52%
    • GovInfo (Federal regulations): 27-32%
    • USPTO (Patents): 3-5%
    • EDGAR (SEC filings): 5-7%
  • Format: Streaming, shuffled with buffer=32
  • Domain Quality: Balanced for broad legal knowledge

Optimizer (Muon with Phase A)

  • Muon Learning Rate: 7.30e-5 (depth-scaled from 9e-5)
  • Auxiliary Learning Rate: 9e-5
  • Muon Weight Decay: 1e-4
  • Auxiliary Weight Decay: 1e-3
  • Muon Momentum: 0.95
  • Muon NS Steps: 3 (optimized for speed)
  • Batch Size: 6 per device
  • Gradient Accumulation: 2 steps (effective batch: 12)
  • Warmup Steps: 0 (continuing from Phase 1)
  • LR Scheduler: Cosine with min ratio 0.1

Phase A Improvements (Steps 57K-63K)

Per-Layer Learning Rate Multipliers:

  • self_attn.q_proj: 0.7× (slower for better conditioning)
  • self_attn.o_proj: 0.7× (slower for better conditioning)
  • self_attn.k_proj: 0.9×
  • self_attn.v_proj: 0.9×
  • mlp.*: 1.0× (baseline)
  • lm_head: 0.85×

Layer-Selective Spectral Clamping:

  • Attention layers (q_proj, k_proj, v_proj, o_proj):
    • Frequency: Every 40 steps
    • Max condition: 2500
    • Sigma floor: 1e-4
  • MLP layers (gate_proj, up_proj, down_proj):
    • Frequency: Every 160 steps
    • Max condition: 3000
    • Sigma floor: 5e-5
  • LM head:
    • Frequency: Every 80 steps
    • Max condition: 2000
    • Sigma floor: 1e-4

Additional Regularization

  • Adaptive Gradient Clipping: Enabled (β=0.9, coeff=2.0)
  • Label Smoothing: 0.01
  • Entropy Regularization:
    • Entropy bonus weight: 0.003
    • Entropy target: 6.5 bits (weight: 0.003)
    • Activation norm weight: 0.0006
    • Loss chunk size: 1024 tokens

Training Infrastructure

  • Mixed Precision: BF16
  • Gradient Checkpointing: Enabled (non-reentrant)
  • Flash Attention: Auto-enabled
  • TF32 Mode: Auto

Spectral Health (Step 63K - Phase A Validated)

Analysis of weight matrix conditioning shows Phase A improvements achieved target:

Condition Numbers

  • Attention Layers:
    • Median: 2168 (↓ 4.6% from 57K)
    • Mean: 2300
    • P95: 2800
    • Max: 2501 (↓ 19.4% from 57K's 3101, hit target ceiling)
  • MLP Layers:
    • Median: ~5-8 (excellent)
    • Mean: ~8-10
    • Max: ~15 (excellent conditioning)
  • LM Head: ~280 (excellent)

Phase A Results

Metric57K (Before Phase A)63K (After Phase A)Improvement
Max Condition31012501↓ 19.4% ✓
Q_PROJ Median22742168↓ 4.6% ✓
O_PROJ Mean20851940↓ 7.0% ✓
Overall Median420383↓ 8.7% ✓
Generation QualityGoodExcellent↑ Reduced repetition

Key Success: Phase A layer-selective clamping locked max condition at 2500 (target ceiling) while per-layer LRs improved gradient flow through attention layers.

Training Dynamics (Phase 2 + Phase A: Steps 37K-63K)

  • Loss at 63K: 3.18 (competitive across domains)
  • Gradient Norm: Stable with adaptive clipping
  • Learning Rate: Gradual cosine decay
  • Multi-Domain Quality: Balanced performance on RECAP, GovInfo, USPTO, EDGAR
  • Spectral Stability: Max condition locked at target throughout Phase A

Generation Quality

Generates coherent, fluent legal text across multiple domains with excellent repetition control:

  • Court documents (RECAP): Natural legal argumentation
  • Federal regulations (GovInfo): Proper regulatory structure
  • Patents (USPTO): Technical claim language
  • SEC filings (EDGAR): Financial/corporate disclosure style

Phase A improvements reduced catastrophic repetition by 2.5x compared to earlier checkpoints.

Usage

from transformers import pipeline

# Create text generation pipeline
generator = pipeline(
    "text-generation",
    model="alea-institute/kl3m-006-170m-checkpoint-63000",
    torch_dtype="auto",
    device_map="auto"
)

# Generate text
outputs = generator(
    "This Agreement is entered into as of",
    max_new_tokens=100,
    temperature=0.7,
    top_p=0.95,
    repetition_penalty=1.15
)

print(outputs[0]['generated_text'])

Next Steps: 4x Depth Stacking

This checkpoint serves as the source for 4x cyclic layer duplication using the G_stack method (NeurIPS 2024):

  • Current: 30 layers, 181.7M parameters
  • After stacking: 120 layers, 500.3M parameters
  • Expected benefit: ~54% fewer tokens to reach target loss vs training from scratch

The stacked 500M model is available at alea-institute/kl3m-007-500m-step0.

Training Philosophy

Phase A demonstrates spectral health improvements through targeted interventions:

  • Layer-selective clamping: Different frequencies for attention vs MLP layers
  • Per-layer learning rates: Slower updates for worst-conditioned layers
  • Minimal overhead: Attention clamped 4x more often, but only small fraction of parameters

Result: 19.4% reduction in max condition number with no loss of training speed or quality.

Model Card Authors

Alea Institute

Citation

For technical details, see the paper: https://arxiv.org/abs/2504.07854

@misc{kl3m2025,
  title={KL3M: Knowledge-Guided Language Model Training},
  author={Alea Institute},
  year={2025},
  url={https://arxiv.org/abs/2504.07854},
  note={Trained with Muon optimizer, Phase A spectral improvements, and G_stack ready}
}

License

Apache 2.0

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
8619fe4

0 моделей