/ Модель

Характеристики

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

kl3m-007-500m-step37000

Генерация текстаТекст → текст3 профессии

Промежуточный чекпойнт языковой модели KL3M на 500 млн параметров для генерации англоязычных текстов, в том числе юридических.

399скачиваний 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 500M Step 37000 — языковая модель Alea Institute для генерации текста, обученная на многоотраслевом юридическом корпусе, включая договоры и соглашения. Модель построена на архитектуре Llama с Grouped Query Attention: 500,2 млн параметров, 120 слоёв и контекст до 4096 токенов. README описывает циклическое дублирование слоёв базовой модели KL3M 170M по методу G_stack с последующим обучением; этот чекпойнт сохранён после 37 000 шагов и примерно 3,92 млрд обработанных токенов, обучение продолжается.

Модель предназначена для генерации текста в юридических и смежных многоотраслевых сценариях. Карточка указывает, что качество ещё улучшается по мере обучения, поэтому характеристики этого промежуточного чекпойнта могут уступать итоговой версии. Модель принимает текст и генерирует текст; основной указанный язык — английский. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • генерация черновиков договоров и соглашений
  • продолжение юридического текста на английском языке
  • подготовка текстов для многоотраслевых юридических сценариев

Ограничения

Это промежуточный чекпойнт на 37 000 шагах обучения; в README указано, что обучение продолжается и качество ещё улучшается. 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 500M, 7th Gen Model, Step 37000 (4x Stacked Architecture)

A 500M parameter language model created via 4x cyclic layer duplication (G_stack method, NeurIPS 2024) from the KL3M 170M Phase 2+A checkpoint. This checkpoint represents 37,000 training steps on the 120-layer architecture.

Model Details

  • Architecture: Llama-based with Grouped Query Attention (GQA)
  • Parameters: 500.3M (487M non-embedding)
  • Layers: 120 (4x stacked from 30)
  • Source: alea-institute/kl3m-006-170m-checkpoint-63000
  • Stacking Method: G_stack cyclic duplication
  • Training Status: 37,000 steps (3.92B tokens processed)
  • Precision: BF16

Training Progress

  • Steps: 37,000 / 100,000 planned
  • Tokens Processed: 3,917,824,000 (~3.92B)
  • Valid Tokens: 3,914,825,728
  • Dataset: alea-institute/kl3m-data-sample-006-medium

Model Architecture

  • Hidden Size: 576 (unchanged from source)
  • Layers: 120 (4× from 30)
  • Attention Heads: 9 (3 KV heads with GQA)
  • Intermediate Size: 1536 (unchanged from source)
  • Vocabulary: 131,072 tokens
  • RoPE Theta: 100,000
  • Parameter Growth: 181.7M → 500.3M (2.75× increase)

G_stack Methodology

Cyclic Layer Duplication

Based on "Stacking Your Transformers" (NeurIPS 2024, arXiv:2405.15319):

Stacking Pattern:

Source (30 layers):  [0, 1, 2, ..., 28, 29]
Target (120 layers): [0-29, 0-29, 0-29, 0-29]
                     └─ Cyclic repetition 4 times

Preserved Components:

  • Embedding layer (wte): Copied once
  • Final layer norm (ln_f): Copied once
  • LM head: Copied once

Duplicated Components:

  • All 30 transformer blocks repeated 4 times
  • Each block contains: self-attention (q/k/v/o_proj), MLP (gate/up/down_proj), layer norms

Expected Training Efficiency

Per G_stack paper findings:

  • Token efficiency: ~54% fewer tokens to reach target loss vs training 120L from scratch
  • Computational savings: ~46% reduction in FLOPs
  • Convergence: Duplicated layers naturally diverge during training

Training Configuration

Optimizer: Muon

Depth-scaled learning rates:

  • Muon LR: 0.00365 (depth-scaled: base × √(16/120))
  • Aux LR: 5e-4
  • Weight Decay: 1e-5 (Muon), 1e-3 (Aux)
  • Momentum: 0.95

Layer-specific LR multipliers:

  • q_proj/o_proj: 0.5×
  • k_proj/v_proj: 0.75×
  • mlp: 1.0×
  • lm_head: 0.9×

Spectral Clamping (Layer-Specific)

Attention layers (q/k/v/o_proj):

  • Frequency: Every 100 steps
  • Max condition: 3000
  • Sigma floor: 5e-5

MLP layers (gate/up/down):

  • Frequency: Every 100 steps
  • Max condition: 2000
  • Sigma floor: 5e-5

LM head:

  • Frequency: Every 100 steps
  • Max condition: 2000
  • Sigma floor: 5e-5

Regularization

  • Label Smoothing: 0.001
  • Entropy Bonus Weight: 0.001
  • Entropy Target: 6.5 bits
  • Entropy Target Weight: 0.001
  • Activation Norm Weight: 0.0006

Batch Configuration

  • Micro batch: 5
  • Gradient accumulation: 32
  • Effective batch: 160 sequences
  • Sequence length: 4096 tokens
  • Effective tokens/batch: 655,360

Training Details

Data Processing

  • Dataset: Multi-domain legal corpus (kl3m-data-sample-006-medium)
  • Streaming: Yes (shuffle buffer: 32)
  • Packing: Cross-record packing enabled
  • Append EOS: Yes

Optimization

  • Gradient Checkpointing: Enabled (non-reentrant)
  • Mixed Precision: BF16
  • Flash Attention: Auto
  • Gradient Clipping: Adaptive (max 64.0, coeff 2.0, beta 0.9)
  • TF32: Auto

Learning Rate Schedule

  • Scheduler: Cosine decay
  • Warmup: 100 steps
  • Min LR ratio: 0.1
  • Max steps: 100,000

Usage

from transformers import pipeline

# Load the text generation pipeline
generator = pipeline(
    "text-generation",
    model="alea-institute/kl3m-007-500m-step37000",
    device_map="auto"
)

# Generate text
output = generator(
    "The United States Constitution establishes",
    max_new_tokens=100,
    do_sample=True,
    temperature=0.8,
    top_p=0.95
)
print(output[0]['generated_text'])

Alternative: Using model and tokenizer directly

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "alea-institute/kl3m-007-500m-step37000",
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained("alea-institute/kl3m-007-500m-step37000")

inputs = tokenizer("The United States Constitution establishes", return_tensors="pt", return_token_type_ids=False)
inputs = {k: v.to(model.device) for k, v in inputs.items()}
outputs = model.generate(**inputs, max_new_tokens=100, do_sample=True, temperature=0.8, top_p=0.95)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Generation Quality

This checkpoint has undergone 37,000 steps of training on the 120-layer architecture. The model is still in active training and quality continues to improve.

Recommended sampling parameters (from project testing):

  • Temperature: 0.8
  • Top-p: 0.95
  • Repetition penalty: 1.0

Why G_stack?

Advantages over Training from Scratch

  1. Proven warm start: All 120 layers begin with learned representations
  2. Faster convergence: 54% fewer tokens expected
  3. Stable training: Avoids cold-start instabilities
  4. Spectral inheritance: Good conditioning from Phase A source
  5. Simple implementation: Just cyclic duplication, no complex initialization

Alternative Approaches Not Used

  • Function-preserving init: More complex, similar results per paper
  • Random initialization: Much slower convergence
  • Progressive stacking: More complex training schedule
  • Width expansion first: Different scaling dimension

Model Comparison

ModelLayersParamsTraining StatusTokens Processed
kl3m-006-170m-checkpoint-6300030181.7MTrained (63K steps)~15.8B
kl3m-007-500m-step0120500.3MStep 0 (init only)0
kl3m-007-500m-step37000120500.3MStep 37K (in training)~3.92B

Training Philosophy

G_stack enables efficient depth scaling:

  • Start with proven 170M model (63K steps, 15.83B tokens)
  • Stack to 4× depth (120 layers)
  • Continue training with 54% efficiency gain
  • Achieve 500M quality in ~100-150K steps (vs 250K from scratch)

This approach leverages transfer learning in the depth dimension rather than traditional width scaling or fine-tuning.

Next Steps

This checkpoint will continue training toward:

  • Target steps: 100,000
  • Expected quality match: 170M@300K by step ~150K
  • Final model: kl3m-007-500m-final

Follow training progress in the kl3m-007-500m-checkpoint-* series.

Model Card Authors

Alea Institute

Citation

For G_stack technical details:

@inproceedings{gstack2024,
  title={Stacking Your Transformers: A Closer Look at Model Growth for Efficient LLM Pre-Training},
  author={Du, Wenyu and Luo, Tongxu and Qiu, Zihan and Huang, Zeyu and Shen, Yikang and Cheng, Reynold and Guo, Yike and Fu, Jie},
  booktitle={NeurIPS},
  year={2024},
  note={arXiv:2405.15319}
}

@misc{kl3m2025,
  title={KL3M: Knowledge-Guided Language Model Training with G_stack Depth Expansion},
  author={Alea Institute},
  year={2025},
  url={https://github.com/alea-institute/alea-models},
  note={500M model via 4x cyclic duplication from 170M Phase 2+A}
}

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
db82de3

0 моделей