/ Модель

Характеристики

Контекст
512 токенов
Параметры
18,5 млн
Лицензия
MIT
Архитектура
babylm_pararnn · dense
Библиотека
transformers
Опубликована
8 сен 2026

babylm-paragru-20m

Генерация текстаТекст → текст3 профессии

Компактная англоязычная ParaGRU-модель для генерации текста и экспериментов по изучению языковых способностей в условиях BabyLM Strict-Small.

171скачиваний за 30 дней0лайковвеса обновлены8 сен 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

bugkira-ai/babylm-paragru-20m — небольшая англоязычная причинная языковая модель от bugkira-ai для экспериментов в рамках BabyLM 2026 Strict-Small. Она обучена на корпусе примерно из 10 млн слов и содержит 19,7 млн параметров. Архитектура — ParaGRU с диагональным смешиванием и воротами Cho, шесть блоков pre-LN с шириной 384 и слоями SwiGLU; нативный контекст составляет 512 токенов.

Модель предназначена для генерации продолжения текста и сравнительных исследований компактных языковых моделей, в частности оценки языковых способностей на BabyLM. В карточке указаны perplexity 95,80 после трёх эпох и результат BLiMP 63,31 в zero-shot оценке. Это исследовательская модель с ограниченным контекстом, обученная только для английского языка; автор прямо исключает сценарии чата, длинного контекста и многоязычного использования. Лицензия — MIT.

Сценарии применения

  • генерация продолжения короткого английского текста
  • сравнение рекуррентных языковых моделей на бенчмарке BabyLM
  • оценка знания английской грамматики на BLiMP
  • исследования компактных языковых моделей, обученных на ограниченном корпусе

Ограничения

Контекст ограничен 512 токенами; модель не предназначена для чата, длинного контекста или многоязычного использования. В карточке приведены ограниченные результаты оценки, а отдельные бенчмарки не запускались.

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

ParaGRU BabyLM-10M (Strict-Small)

19.7M causal LM with ParaGRU (mix='diag', Cho gates, eq. 3.1a / 3.3) under BabyLM 2026 Strict-Small (~10M words). Same 6×384 SwiGLU residual stack as the other ParaRNN BabyLM arms; fused Newton (K{=}3).

Report PPL 95.80 after 3 epochs (~16.3 min on one RTX 2080 Ti, ~38.5k tok/s, peak 3.77 GiB). Zero-shot: BLiMP 63.31 (GPT-2 Strict-Small 65.23) — highest BLiMP among the four matched arms so far.

Library: bugkira/pararnn-torch · Sisters: babylm-paralstm-20m, babylm-paranlru-19m, babylm-paraslstm-20m · Paper: ParaRNN, arXiv:2510.21450


Model details

Architecture6× pre-LN · ParaGRU (mix=diag) · SwiGLU
Widthd_model=384, mlp_mult=4
Parameters19 656 192
Vocab16 000 BPE (ByteLevel), Strict-Small
ContextT=512 absolute positions
Dtype (train)float32
SolverNewton K=3, Picard P=0, max_recurrent_norm=0.5
Checkpoint taggru_shuf_ep3

Gates: update (z), reset (r), candidate (n) (Cho et al. 2014). Diagonal recurrent vectors (a_z, a_r, a_n).


Training

Data & schedule

  • Corpus: BabyLM 2026 Strict-Small (~10M words).
  • Packing: contiguous T=512 (19 275 train rows).
  • Epochs: 3 · Steps: 1809 (603 / epoch) · Seed: 0 · per-epoch row shuffle.
  • Batch: 16 × grad-accum 2 → 16 352 CE tokens / step.
  • Optim: AdamW lr=6e-4, cosine over 1809 steps, warmup 50, β=(0.9, 0.95), wd=0.01, clip 1.0.

Hardware & speed

GPU1× NVIDIA GeForce RTX 2080 Ti (CC 7.5)
Wall clock2026-09-08 14:29:17 → 14:45:34 (≈16.3 min)
Steady throughput≈38 518 tok/s (step ≈425 ms)
Peak VRAM3.77 GiB
Watchdog0 residual hits · 0 skipped steps

Throughput

Learning curves

Report val PPL

Report val PPL (256 packed sequences):

StepEpoch endReport PPL
50—1015.07
6031131.01
1206299.66
1809395.80

Evaluation (BabyLM 2026 Strict zero-shot)

Pipeline: babylm-org/babylm-eval · causal · temperature 1.0.

TaskParaGRUParaLSTMParaNLRUParaSLSTMGPT-2 Strict-Small
BLiMP63.3162.8662.4562.8165.23
BLiMP Supplement56.6556.6457.6655.7057.25
EWoK49.45 (fast)49.36 (fast)50.18 (fast)47.36 (fast)50.63 (full)
Entity Tracking18.4518.0218.1517.3619.10
COMPS50.4550.8750.3250.7951.81

Zero-shot vs GPT-2

Reading: eye-tracking 0.65, self-paced reading 0.03.

Skipped in this card: GlobalPIQA, full EWoK (gated), SuperGLUE finetune, AoA.


Intended use

Matched BabyLM cell-zoo arm for ParaGRU fused Newton. Small English LM under the Strict-Small budget. Out of scope: chat, long context, multilingual tracks.


How to load

Needs pararnn-torch and transformers with trust_remote_code=True.

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "bugkira-ai/babylm-paragru-20m"
tok = AutoTokenizer.from_pretrained(repo, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(repo, trust_remote_code=True)
model.eval()

ids = tok("The cat sat on the mat.", return_tensors="pt").input_ids
with torch.no_grad():
    logits = model(input_ids=ids).logits
    gen = model.generate(ids, max_new_tokens=16, do_sample=False)
print(logits.shape)  # [1, T, 16000]
print(tok.decode(gen[0], skip_special_tokens=True))

Local export:

uv run --extra lm --with transformers python scripts/export_babylm_hf.py \
  --config configs/train/babylm_gru.yaml \
  --ckpt checkpoints/babylm/gru_shuf_ep3.pt \
  --out checkpoints/babylm/hf_gru_shuf_ep3 \
  --cell_type gru

Reproduction

uv run --extra lm --extra train python scripts/train_babylm.py \
  --config configs/train/babylm_gru.yaml \
  --cell_type gru --epochs 3 --gpu 2080

bash scripts/run_babylm_zeroshot.sh checkpoints/babylm/hf_gru_shuf_ep3 1

Config: configs/train/babylm_gru.yaml.
Metrics: results/babylm_gru_shuf_ep3.json, results/babylm_zeroshot_gru_shuf_ep3.json.


Citation

@inproceedings{danieli2026pararnn,
  title     = {{ParaRNN}: Unlocking Parallel Computation in Nonlinear RNNs
               through Symbolic Algebra},
  author    = {Federico Danieli and Miguel Sarabia and Aviv Navon and
               Amos Storkey and Aaron van den Oord},
  booktitle = {International Conference on Learning Representations (ICLR)},
  year      = {2026},
  note      = {Oral. arXiv:2510.21450},
  url       = {https://arxiv.org/abs/2510.21450}
}
@misc{choshen2026babylm,
  title         = {BabyLM Turns 4 and Goes Multilingual},
  year          = {2026},
  eprint        = {2602.20092},
  archivePrefix = {arXiv}
}

License

MIT for these weights and this card. BabyLM eval data and baselines keep their upstream licenses.

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
BabyLMParaRNNForCausalLM
Ревизия весов
1dd5ac2

0 моделей