/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
6 млрд
Размер весов
10,1 ГБ
Лицензия
Apache 2.0
Архитектура
arcee_kda · dense
Базовая модель
AFM-4.5B-Base
Библиотека
transformers
Опубликована
14 дек 2025

AFM-4.5B-Base-KDA-Only

Генерация текстаТекст → текст3 профессии

Исследовательская дистиллированная языковая модель Arcee.ai с KDA во всех слоях для изучения линейного внимания и генерации текста.

157скачиваний за 30 дней12лайковвеса обновлены15 дек 2025

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

AFM-4.5B-Base-KDA-Only — исследовательская языковая модель Arcee.ai, полученная дистилляцией AFM-4.5B-Base. Во всех 24 слоях стандартное полное внимание заменено на Kimi Delta Attention (KDA); модель содержит около 6 млрд параметров по метаданным и обучалась на последовательностях до 32 768 токенов. Для работы с весами используется Transformers, формат файлов — safetensors, лицензия — Apache-2.0.

Модель предназначена для исследований линейного внимания, дистилляции внимания и сравнения KDA с полным вниманием при генерации текста. Заявлены линейный рост затрат памяти с длиной последовательности и более плавное снижение качества на длинных контекстах; в тесте извлечения одного фрагмента из контекста указано 100% до 65 тыс. токенов. По сравнению с исходной моделью хуже результаты математических задач и некоторых общих бенчмарков. Чекпойнт не настроен на выполнение инструкций и не оптимизирован для промышленного применения.

Сценарии применения

  • сравнение линейного внимания KDA с полным вниманием
  • исследование дистилляции внимания в языковых моделях
  • генерация текста на длинных последовательностях
  • оценка извлечения фрагментов из длинного контекста
  • бенчмаркинг языковых моделей на общих и математических задачах

Ограничения

Модель не настроена на выполнение инструкций и показывает снижение качества на математических задачах и относительно исходной модели на ряде бенчмарков. Это исследовательский чекпойнт, не оптимизированный для промышленного применения.

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

AFM-4.5B-Base-KDA-Only

A research variant of AFM-4.5B-Base where all attention layers have been replaced with Kimi Delta Attention (KDA) through knowledge distillation. This model contains no full-attention layers.

⚠️ Research Model: This is an experimental model released for research purposes. For production use, see AFM-4.5B.

More details available in our blog post here: https://www.arcee.ai/blog/distilling-kimi-delta-attention-into-afm-4-5b-and-the-tool-we-used-to-do-it

Overview

This model explores whether full attention can be completely replaced with linear attention mechanisms. Using DistillKit, we distilled the original AFM-4.5B-Base (teacher) into a pure-KDA architecture (student).

Key characteristics:

  • All 24 layers use KDA instead of full attention
  • Trained up to 32k sequence length
  • Linear memory scaling with sequence length
  • Smoother long-context degradation compared to hybrid architectures

Architecture

ComponentDetails
Parameters4.5B
Attention TypeKimi Delta Attention (All layers)
Positional EncodingNone (inherent to KDA)
Max Training Length32k tokens
Base ModelAFM-4.5B-Base

Benchmark Results

Performance compared to the teacher model and hybrid configurations:

BenchmarkTeacher (Full Attn)KDA-Only
MMLU (Avg)63.1%55.8%
ARC-Challenge55.6%49.9%
HellaSwag (Norm)78.0%74.3%
GSM8K (Math)52.1%26.8%

Key Findings

  • Knowledge benchmarks: KDA-Only performs within statistical range of hybrid approaches on MMLU, ARC, and HellaSwag
  • Math performance: Larger drop on GSM8K compared to hybrid, though this may recover with longer training
  • Long-context behavior: Degrades more smoothly than hybrid models beyond training length—no cliff at 32k, just gradual falloff

Long-Context Performance (NIAH)

The pure-KDA model shows interesting long-context characteristics:

  • 100% single-needle retrieval up to 65k (beyond training length!)
  • Multikey retrieval degrades starting at 4k but smoothly
  • No sharp "cliff" like hybrid models exhibit past 32k

This behavior aligns with expectations for state-space-like architectures: fixed hidden state size creates inherent tension with growing context, but degradation is graceful.

Usage

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_id = "arcee-ai/AFM-4.5B-Base-KDA-Only"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto"
)

prompt = "The theory of relativity states that"
input_ids = tokenizer(prompt, return_tensors="pt").input_ids.to(model.device)

outputs = model.generate(
    input_ids,
    max_new_tokens=100,
    do_sample=True,
    temperature=0.7,
    top_p=0.95
)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Training Details

  • Method: Knowledge distillation from AFM-4.5B-Base using DistillKit
  • Teacher: AFM-4.5B-Base (full attention)
  • Student Architecture: All layers converted to KDA
  • Training Length: 32k sequence length

Intended Use

This model is intended for:

  • Research into linear attention mechanisms
  • Studying attention distillation techniques
  • Exploring pure state-space-like architectures for language modeling
  • Benchmarking KDA vs full attention tradeoffs

Limitations

  • Lower math/reasoning performance compared to full attention
  • Not instruction-tuned
  • Research checkpoint—not optimized for production

License

AFM-4.5B is released under the Apache-2.0 license.

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
ArceeKDAForCausalLM
Ревизия весов
01ad2e0

0 моделей