/ Модель

Характеристики

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

babylm-paralstm-20m

Генерация текстаТекст → текст3 профессии

Небольшая англоязычная ParaLSTM-модель для генерации текста и экспериментов в условиях ограниченного корпуса BabyLM.

175скачиваний 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

ParaLSTM BabyLM-10M (Strict-Small) — небольшая авторегрессионная языковая модель, опубликованная bugkira-ai и предназначенная для экспериментов с моделями BabyLM. Она обучена на корпусе BabyLM 2026 Strict-Small объёмом около 10 млн слов и воспроизводит архитектурную конфигурацию ParaRNN для сравнения вариантов рекуррентных ячеек.

Модель содержит около 18,5 млн параметров по метаданным (19,66 млн в README), использует 6 слоёв ParaLSTM с CIFG peephole, диагональными рекуррентными матрицами и SwiGLU; родная длина контекста — 512 токенов. Она генерирует продолжение английского текста и оценивалась на perplexity, BLiMP и других тестах BabyLM. Карточка сообщает о perplexity 95,16 после трёх эпох и BLiMP 62,86.

Модель рассчитана на небольшие англоязычные языковые эксперименты и сравнение архитектур, а не на чат, длинный контекст или многоязычную генерацию. Для загрузки нужны pararnn-torch и Transformers с включённым trust_remote_code. Лицензия — MIT.

Сценарии применения

  • генерация продолжения короткого английского текста
  • сравнение рекуррентных архитектур языковых моделей
  • оценка языковой компетенции на тестах BabyLM
  • эксперименты с обучением на небольшом текстовом корпусе

Ограничения

Контекст ограничен 512 токенами; модель не предназначена для чата, длинного контекста или многоязычных задач. Для загрузки требуется pararnn-torch и Transformers с trust_remote_code.

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

ParaLSTM BabyLM-10M (Strict-Small)

19.7M causal LM with ParaLSTM (CIFG peephole, diagonal (A,C)) 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 95.16 after 3 epochs (~18 min on one RTX 2080 Ti, ~39.1k tok/s, peak 3.84 GiB). Zero-shot: BLiMP 62.86 (GPT-2 Strict-Small 65.23).

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


Model details

Architecture6× pre-LN · ParaLSTM (CIFG peephole, diag (A,C)) · SwiGLU
Widthd_model=384, mlp_mult=4
Parameters19 660 800
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 taglstm_shuf_ep3

Cell: CIFG peephole LSTM (Greff et al. 2017; Danieli et al. 2025 eq. 3.1b / 3.3). State layout (c, h) with diagonal recurrent and peephole vectors.


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 13:57:04 → 14:15:01 (≈18.0 min)
Steady throughput≈39 055 tok/s (step ≈419 ms)
Peak VRAM3.84 GiB
Watchdog0 residual hits · 0 skipped steps

Throughput

Learning curves

Report val PPL

Report val PPL (256 packed sequences):

StepEpoch endReport PPL
50—957.16
6031129.24
1206298.06
1809395.16

Evaluation (BabyLM 2026 Strict zero-shot)

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

TaskParaLSTMParaGRUParaNLRUParaSLSTMGPT-2 Strict-Small
BLiMP62.8663.3162.4562.8165.23
BLiMP Supplement56.6456.6557.6655.7057.25
EWoK49.36 (fast)49.45 (fast)50.18 (fast)47.36 (fast)50.63 (full)
Entity Tracking18.0218.4518.1517.3619.10
COMPS50.8750.4550.3250.7951.81

Zero-shot vs GPT-2

Reading: eye-tracking 0.80, self-paced reading 0.02.

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


Intended use

Matched BabyLM cell-zoo arm for ParaLSTM 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-paralstm-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_lstm.yaml \
  --ckpt checkpoints/babylm/lstm_shuf_ep3.pt \
  --out checkpoints/babylm/hf_lstm_shuf_ep3 \
  --cell_type lstm

Reproduction

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

bash scripts/run_babylm_zeroshot.sh checkpoints/babylm/hf_lstm_shuf_ep3 1

Config: configs/train/babylm_lstm.yaml.
Metrics: results/babylm_lstm_shuf_ep3.json, results/babylm_zeroshot_lstm_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
e0e625f

0 моделей