/ Модель

Характеристики

Контекст
512 токенов
Лицензия
MIT
Архитектура
babylm_pararnn · dense
Библиотека
transformers
Опубликована
8 сен 2026

babylm-paranlru-19m

Генерация текстаТекст → текст3 профессии

Компактная англоязычная причинная модель ParaNLRU для генерации текста и исследований обучения языковых моделей на малых корпусах.

94скачиваний 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-paranlru-19m — компактная авторская языковая модель для продолжения текста, обученная как экспериментальная ветвь серии BabyLM ParaRNN. Она использует причинную архитектуру ParaNLRU с диагональной рекуррентной связью и SwiGLU-блоками: 6 слоёв, ширина 384 и около 18,8 млн параметров. Контекст составляет 512 токенов.

Модель обучена на английском корпусе BabyLM 2026 Strict-Small объёмом около 10 млн слов. Она предназначена для исследований компактных языковых моделей и сравнения рекуррентных архитектур в условиях ограниченного объёма данных; карточка приводит результаты perplexity и zero-shot тестов BabyLM. Модель не предназначена для чата, длинного контекста или многоязычного применения. Лицензия — MIT.

Сценарии применения

  • продолжение короткого английского текста
  • сравнение рекуррентных архитектур языковых моделей
  • оценка языкового моделирования на корпусе BabyLM
  • исследование zero-shot понимания английского языка

Ограничения

Контекст ограничен 512 токенами; модель не предназначена для чата, длинного контекста или многоязычного применения. В карточке представлены ограниченные оценки BabyLM, часть тестов не включена.

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

ParaNLRU BabyLM-10M (Strict-Small)

18.8M causal LM with ParaNLRU (Griffin / RG-LRU-style diagonal nonlinear slot) under BabyLM 2026 Strict-Small (~10M words). Same 6×384 SwiGLU residual stack as the other ParaRNN BabyLM arms; the cell is lighter (~half the recurrent params of diag sLSTM) and trains ~2.5× faster on the same GPU.

Report PPL 95.9 after 3 epochs (~12.3 min on one RTX 2080 Ti, ~54.7k tok/s, peak 3.76 GiB). Zero-shot: BLiMP 62.45 (GPT-2 Strict-Small 65.23; ParaSLSTM 62.81).

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


Model details

Architecture6× pre-LN blocks · ParaNLRU (jac_structure=diag, fused Newton) · SwiGLU MLP
Widthd_model=384, mlp_mult=4
Parameters18 764 544
Vocab16 000 BPE (ByteLevel), trained on Strict-Small
ContextT=512 absolute positions
Dtype (train)float32
SolverNewton K=3, Picard P=0 (Picard warm-start is ParaSLSTM / ParaM2RNN only), max_recurrent_norm=0.5
Checkpoint tagnlru_shuf_ep3

Cell recurrence (library ParaNLRU):

[ a_t=\sigma(W_a x_t),\quad h_t = a_t\odot h_{t-1} + (1-a_t)\odot\tanh(W_c x_t + u\odot h_{t-1}). ]


Training

Data & schedule

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

Hardware & speed

GPU1× NVIDIA GeForce RTX 2080 Ti (Turing, CC 7.5)
Wall clock2026-09-08 03:29:31 → 03:41:46 (≈12.3 min, ≈0.20 GPU-h)
Steady throughput≈54 667 tok/s (mean; step ≈299 ms)
Peak VRAM3.76 GiB
Watchdog0 residual hits · 0 skipped divergent steps

Throughput vs ParaSLSTM

Learning curves

Report val PPL

Report val PPL (256 packed sequences):

StepEpoch endReport PPL
50—1042.04
6031132.11
1206299.84
1809395.94

Matched ParaSLSTM (diag_fused_shuf_ep3) finished at 102.17 report PPL on the same recipe.


Evaluation (BabyLM 2026 Strict zero-shot)

Official pipeline: babylm-org/babylm-eval · backend causal · temperature 1.0.

TaskParaNLRUParaSLSTMGPT-2 Strict-Small
BLiMP62.4562.8165.23
BLiMP Supplement57.6655.7057.25
EWoK50.18 (fast)47.36 (fast)50.63 (full)
Entity Tracking18.1517.3619.10
COMPS50.3250.7951.81

Zero-shot vs baselines

Reading (human-likeness): eye-tracking score 0.56, self-paced reading 0.00.

Not included: GlobalPIQA, full EWoK (gated), SuperGLUE finetune, AoA.


Intended use

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


How to load

Requires pararnn-torch and transformers with trust_remote_code=True.

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "bugkira-ai/babylm-paranlru-19m"
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_nlru.yaml \
  --ckpt checkpoints/babylm/nlru_shuf_ep3.pt \
  --out checkpoints/babylm/hf_nlru_shuf_ep3 \
  --cell_type nlru

Reproduction

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

bash scripts/run_babylm_zeroshot.sh checkpoints/babylm/hf_nlru_shuf_ep3 1

Config: configs/train/babylm_nlru.yaml.
Train log: outputs/babylm_nlru_ep3_2080.log.
Metrics: results/babylm_nlru_shuf_ep3.json, results/babylm_zeroshot_nlru_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}
}

Griffin / RG-LRU lineage: De et al., Griffin (2024). This release is our ParaRNN-compatible diagonal nonlinear slot, trained under BabyLM Strict-Small.


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
47c25b8

0 моделей