/ Модель

Характеристики

Контекст
1 024 токена
Параметры
71,2 млн
Лицензия
Apache 2.0
Архитектура
dhara · dense
Библиотека
transformers
Опубликована
24 дек 2025

dhara-70m

Генерация текстаТекст → текст3 профессии

Компактная диффузионная языковая модель Codelion для высокопроизводительной пакетной генерации текста.

201скачиваний за 30 дней49лайковвеса обновлены30 дек 2025

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

Dhara-70M — компактная языковая модель на 71,2 млн параметров, разработанная Codelion для генерации текста. Она использует архитектуру Dhara с диффузионной языковой моделью MDLM и причинными свёрточными слоями Canon; обучение включало предварительное обучение авторегрессионной модели и последующее преобразование в диффузионную. Заявленная длина контекста — 1024 токена, библиотека — Transformers.

Модель предназначена прежде всего для пакетной генерации текста с высокой пропускной способностью. В README указана скорость 183,5 токена в секунду и преимущество в 3,8 раза над GPT-2-70M в описанном сравнении, а также результат 47,50% на TruthfulQA. Эти результаты относятся к оценкам авторов и не гарантируют аналогичного качества в иных условиях.

README отмечает низкие результаты на последовательных задачах рассуждения, повышенное потребление памяти и задержку до первого токена; интерактивное применение подходит хуже пакетной генерации. Модель принимает и выдаёт текст. Лицензия — Apache-2.0.

Сценарии применения

  • пакетная генерация коротких текстов
  • быстрое дополнение текстовых фрагментов
  • эксперименты с диффузионными языковыми моделями

Ограничения

По README, модель уступает на последовательных задачах рассуждения, требует больше памяти и имеет более высокую задержку до первого токена; она лучше подходит для пакетной, чем интерактивной генерации.

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

Dhara-70M

A 70M parameter diffusion language model optimized for high-throughput text generation with superior factuality.

Table of Contents

Model Description

Dhara-70M is a novel diffusion language model that achieves:

  • 3.8x higher throughput than autoregressive models
  • Best-in-class factuality on TruthfulQA (47.50%)
  • 10x training efficiency via WSD (Warmup-Stable-Decay) conversion

Architecture

SpecificationValue
Parameters71.34M
Layers32
Hidden Size384
FF Dimension1024
Attention Heads8
KV Heads4 (GQA)
Context Length1024 tokens
Position EncodingRoPE
NormalizationRMSNorm
Special LayersCanon (depthwise causal convolutions)
Generation TypeDiffusion (parallel token generation)

Training Data

Dhara was trained in two stages:

Stage 1: AR Pretraining (1B tokens)

  • 40% FinePDFs (400M tokens)
  • 30% DCLM Baseline (300M tokens)
  • 30% FineWeb-Edu (300M tokens)

Stage 2: WSD Conversion (100M tokens)

  • Progressive block size warmup (1→4→32→64→1024)
  • MDLM diffusion objective

Training Details

ParameterValue
AR Training Tokens1 billion
WSD Conversion Tokens100 million
Batch Size128 effective (8 × 16 gradient accumulation)
Learning Rate5e-4 (AR) / 5e-5 (WSD)
OptimizerAdamW
ScheduleCosine decay with 2% warmup
PrecisionBF16
HardwareSingle NVIDIA A40 GPU
Total Training Time~20 hours

Benchmark Results

BenchmarkDhara-70MGPT-2-70Mvs GPT-2
HellaSwag (0-shot)25.58%26.46%-0.88%
PIQA (0-shot)51.58%58.05%-6.47%
WinoGrande (0-shot)49.64%52.64%-3.00%
ARC-Challenge (0-shot)24.83%22.27%+2.56%
MMLU (5-shot)23.85%25.77%-1.92%
TruthfulQA (0-shot)47.50%45.83%+1.67%
GSM8K (5-shot)0.00%1.21%-1.21%
Average31.85%33.18%-1.33%

Inference Performance

MetricDhara-70MGPT-2-70MAdvantage
Time to First Token35.5 ms~25 ms1.4x slower
Throughput183.5 tok/s~48 tok/s3.8x faster
Peak Memory0.24 GB0.15 GB1.6x higher

Usage

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

# Load model and tokenizer
tokenizer = AutoTokenizer.from_pretrained("codelion/dhara-70m")
model = AutoModelForCausalLM.from_pretrained(
    "codelion/dhara-70m",
    trust_remote_code=True,
    torch_dtype=torch.bfloat16
)

# Move to GPU if available
device = "cuda" if torch.cuda.is_available() else "cpu"
model = model.to(device)

# Generate text
prompt = "The future of artificial intelligence is"
inputs = tokenizer(prompt, return_tensors="pt").to(device)
outputs = model.generate(
    inputs.input_ids,
    max_new_tokens=50,
    temperature=0.1,
    top_p=0.5,
    top_k=5,
    repetition_penalty=1.8,
    do_sample=True,
    pad_token_id=0
)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Example Output:

The future of artificial intelligence is a big challenge.
This world has the potential to improve, but this time we have no other than "theworld."
The next generation will be more exciting and its very much important for our society's
abilityto develop its

Batch Generation (High Throughput)

# For batch generation, use larger batch sizes
prompts = [
    "The future of artificial intelligence is",
    "The human brain is capable of",
    "Science has shown that",
    "Technology continues to evolve"
]

inputs = tokenizer(prompts, return_tensors="pt", padding=True).to(device)
outputs = model.generate(
    inputs.input_ids,
    attention_mask=inputs.attention_mask,
    max_new_tokens=50,
    temperature=0.1,
    top_p=0.5,
    top_k=5,
    repetition_penalty=1.8,
    do_sample=True,
    pad_token_id=0
)

for i, output in enumerate(outputs):
    print(f"Output {i+1}: {tokenizer.decode(output, skip_special_tokens=True)}")

Key Insights

  1. Throughput vs Accuracy Trade-off: Dhara trades 1.33% average accuracy for 3.8x higher throughput, making it ideal for batch processing tasks.

  2. Superior Factuality: Dhara excels on TruthfulQA (+1.67% vs GPT-2), suggesting diffusion models may reduce hallucinations through bidirectional context.

  3. Reasoning Advantage: ARC-Challenge +2.56% indicates strong performance on reasoning tasks.

  4. WSD Efficiency: Converting an AR model to diffusion via WSD uses 10x fewer tokens than training from scratch with equivalent quality.

  5. Canon Layers Help: The depthwise causal convolutions (Canon layers) improve factuality and reasoning with only 0.13% parameter overhead.

Limitations

  • Lower performance on sequential reasoning tasks (GSM8K: 0.00%)
  • Higher memory usage due to bidirectional attention
  • Slightly higher time-to-first-token latency
  • Best suited for batch rather than interactive use cases

Citation

@article{sharma2025optimal,
  title={The Optimal Architecture for Small Language Models},
  author={Sharma, Asankhaya},
  year={2025},
  url={https://huggingface.co/blog/codelion/optimal-model-architecture}
}

Related Work

Contact

For questions or feedback, please open a discussion on the Hugging Face discussions page.

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
DharaForMaskedDiffusion
Ревизия весов
47ee41f

0 моделей