/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Apache 2.0
Архитектура
gpt2 · dense
Базовая модель
OLMo-2-0425-1B
Библиотека
transformers
Опубликована
2 окт 2026

gpt2-olmo2-1b-warm120-ot-muon-lr4e-3-tok401k-seq1024-cos-wu5-485335

Генерация текстаТекст → текст3 профессии

Экспериментальная англоязычная GPT-2-модель для генерации текста и исследований переноса весов из OLMo 2.

355скачиваний 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

Это экспериментальный англоязычный GPT-2, обученный как базовая языковая модель на C4 English. Разработчик использовал архитектуру GPT-2 с 124 475 904 параметрами, 12 слоями, шириной 768 и 12 головами внимания; контекст составляет 1024 токена. Токенизатор GPT-2 содержит 50 257 токенов, а словарь модели дополнен до 50 304 элементов.

При инициализации выбранные веса внимания частично перенесены из OLMo 2 1B с помощью сопоставления активаций и оптимального транспорта, после чего модель обучалась на всех весах с Muon и AdamW. Чекпойнт предназначен для экспериментов с генерацией текста и методами переноса весов. В README указаны perplexity 27,82 на ограниченной выборке C4 и отсутствие доказательств, что перенос весов улучшил результат относительно контрольного запуска. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • генерация продолжений англоязычного текста
  • эксперименты с базовыми языковыми моделями
  • исследование переноса весов через оптимальный транспорт
  • сравнение инициализаций GPT-2 на корпусе C4

Ограничения

Контекст ограничен 1024 токенами. В описанном одноразовом сравнении инициализация с переносом не показала преимущества перед контрольным запуском без переноса; качество оценивалось на 2048 документах C4 English.

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

GPT-2 small with warm-target OLMo 2 OT initialization

Final checkpoint of gpt2-olmo2-1b-warm120-ot-muon-lr4e-3-tok401k-seq1024-cos-wu5-485335. This is a GPT-2 small base language model trained on C4 English, with selected attention weights initialized through activation-based optimal transport from OLMo 2 1B. It is a GPT-2 architecture with 124,475,904 parameters, 12 layers, width 768, 12 attention heads, tied input/output embeddings and a 1024-token context. It uses the GPT-2 tokenizer (50,257 tokens), with a padded model vocabulary of 50,304.

Initialization and training

  1. Start GPT-2 from random Gaussian initialization and train it briefly on C4. The shared warm stage completed 171 updates, 68,640,768 input tokens and 115.05 seconds of measured training-loop time.
  2. Align this warm target with frozen pretrained OLMo 2 1B using matched text prefixes, activation correlations and feature/layer optimal transport. Donor revision: a1847dff35000b4271fa70afc5db10fd29fedbdf. For selected attention channels, blend 90% target weights with 10% mapped, RMS-calibrated donor weights. Select 128 channels per projection and cap donor contribution scaling at 10. Embeddings, MLPs and layer norms retain their warm-target values. initialization_report.json records the exact masks, sampled rows, maps and diagnostics.
  3. Reset optimizers and train all target weights normally with Muon plus AdamW for embeddings, norms and biases. Peak LR is 4e-3, with elapsed-time cosine decay and 5% warmup. Use two H200 GPUs, batch98 per GPU and accumulation2: 401,408 input tokens per optimizer update, all sequences length1024.

The downstream job completed 3,806 updates and processed 1,527,758,848 input tokens. Training-loop time was 1710.03 seconds, within a nominal30-minute Slurm allocation. Warm training and OT preparation are additional compute.

Final validation cross-entropy: 3.325869. Final validation perplexity: 27.823174. Evaluation uses 2,048 held-out C4 English documents truncated to1024 tokens, with padding masked and token-weighted cross-entropy measured in BF16. W&B training record. Training uses BF16 autocast with FP32 master parameters; this checkpoint stores FP32 weights.

Experimental scope

This is the warm-target OT v1 experiment, an adaptation inspired by Transport and Merge. It is an exploratory extension to a briefly trained GPT-2 target, rather than a faithful reproduction of the paper's pretrained-target setting. OT initialization changed calibration CE from 5.501624 to 5.505724. A continuation without donation from the same warm checkpoint reached validation CE3.324907 in this single-seed comparison; this run's result does not demonstrate a donation benefit. OLMo's rotary positions, Q/K normalization and gated MLP architecture are not transplanted as complete computations into GPT-2.

Load

from transformers import AutoTokenizer, AutoModelForCausalLM

model_id = "burnedinthesky/gpt2-olmo2-1b-warm120-ot-muon-lr4e-3-tok401k-seq1024-cos-wu5-485335"
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 example suppresses the 47 unused padding IDs during generation.

License and provenance

The donor model is released under Apache2.0. This derivative includes LICENSE and a provenance NOTICE. GPT-2 target attention weights were modified through OT transport/blending and then all target parameters were trained on C4. training_metadata.json, metrics.json, warm_stage_metrics.json and initialization_report.json record the initialization, compute and results. The final checkpoint was reloaded with standard Transformers and checked for finite inference, tied embeddings, and agreement with all12 logged norm metrics.

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
cc412da

0 моделей