/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Llama 3.2
Архитектура
gpt2 · dense
Базовая модель
Llama-3.2-1B
Библиотека
transformers
Опубликована
2 окт 2026

Llama-gpt2-llama32-ot-muon-lr4e-3-tok401k-seq1024-cos-wu5-485220

Генерация текстаТекст → текст3 профессии

Экспериментальная GPT-2-подобная базовая модель для генерации и продолжения англоязычного текста с инициализацией части весов внимания из Llama 3.2 1B.

202скачиваний за 30 дней0лайковвеса обновлены2 окт 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

Экспериментальная базовая языковая модель GPT-2 small, построенная на случайно инициализированной архитектуре с отдельными весами внимания, выбранными инициализацией через optimal transport с активационным управлением из Llama 3.2 1B. Разработчик — burnedinthesky. Модель дообучена на англоязычном корпусе C4 и предназначена для продолжения текста и других сценариев генерации без следования инструкциям.

Модель содержит около 124,5 млн параметров, 12 слоёв, ширину 768 и 12 голов внимания; контекст составляет 1024 токена. Используются токенизатор GPT-2 и словарь на 50 257 токенов с дополненным размером словаря 50 304. README сообщает о финальной валидационной perplexity 28,07 на C4 English.

Перенос из Llama затронул только выбранные веса внимания, а эмбеддинги, MLP и другие целевые веса начинались со случайной инициализацией. Небольшое изменение калибровочной потери не доказывает перенос семантических знаний; качество инициализации и обучения остаётся экспериментальным. Лицензия — Llama 3.2.

Сценарии применения

  • продолжение англоязычного текста
  • эксперименты с генерацией текста на архитектуре GPT-2
  • изучение переноса весов внимания через optimal transport
  • сравнение способов инициализации языковых моделей

Ограничения

Это базовая модель без дообучения на инструкциях, поэтому она не предназначена для надёжного выполнения запросов в формате ассистента. README отмечает, что малое изменение калибровочной потери не подтверждает перенос семантических знаний; контекст ограничен 1024 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

Llama GPT-2 small with activation-guided initialization

Built with Llama. This is the final checkpoint of gpt2-llama32-ot-muon-lr4e-3-tok401k-seq1024-cos-wu5-485220. It is a GPT-2 small architecture with selected attention weights initialized using activation-guided optimal transport from LLaMA 3.2 1B, then trained on C4 English. Embeddings, MLPs and other target weights began with random initialization. It is a base language model, without instruction tuning.

The checkpoint contains 124,475,904 parameters, 12 layers, width 768, 12 attention heads and a 1024-token context. It uses the GPT-2 tokenizer (50,257 tokens) and a padded model vocabulary of 50,304.

Training used two H200 GPUs, Muon with AdamW for embeddings, norms and biases, peak LR 0.004, and a cosine schedule with 5% warmup. Each optimizer update processed 401,408 input tokens (98 sequences per GPU, two GPUs, accumulation 2). The run completed 3,774 updates and processed 1,514,913,792 input tokens. Measured training-loop time was 1710.06 seconds; the Slurm allocation elapsed 29 minutes 6 seconds. Donor initialization was prepared separately and is additional compute.

Final validation loss: 3.334730. Final validation perplexity: 28.070799. Evaluation uses 2,048 held-out C4 English documents with padding masked. W&B training record.

Initialization

The donor revision is 4e20de362430cd3b72f300e6b0f18e50e7166e08. Calibration used matched text prefixes with each model's tokenizer, correlation costs, conditional feature transport and layer transport. Only the top 128 selected attention channels per projection were blended at coefficient 0.1. Donor contributions were RMS calibrated with a scale cap of 10. See initialization_report.json for the actual masks, calibration rows and transport diagnostics.

This adapts Transport and Merge to a randomly initialized target. The calibration loss changed from 10.929731 to 10.923112. That small change does not establish semantic knowledge transfer; shrinkage-only and other controls are being investigated. LLaMA's rotary positions and full attention computation were not transplanted into GPT-2.

Load

from transformers import AutoTokenizer, AutoModelForCausalLM

model_id = "burnedinthesky/Llama-gpt2-llama32-ot-muon-lr4e-3-tok401k-seq1024-cos-wu5-485220"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)
inputs = tokenizer("The next step in this experiment is", return_tensors="pt")
outputs = model.generate(
    **inputs, max_new_tokens=60,
    pad_token_id=tokenizer.eos_token_id,
    suppress_tokens=list(range(len(tokenizer), model.config.vocab_size)),
)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

The unused 47 padding IDs are suppressed during generation in this example. The original weights and vocabulary size are preserved in this upload.

License and provenance

This model uses transferred LLaMA 3.2 weights and is distributed with the LLaMA 3.2 Community License and Acceptable Use Policy in LICENSE.txt and USE_POLICY.md, with attribution in NOTICE. Its published model name starts with Llama. training_metadata.json, metrics.json and initialization_report.json record the run and initialization details.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GPT2LMHeadModel
Ревизия весов
6dddd61

0 моделей