/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,6 млрд
Лицензия
Своя лицензия
Архитектура
llama · dense
Базовая модель
Llama-2-7b-hf
Библиотека
transformers
Опубликована
4 сен 2026

HyperPrune-Llama-2-7B-2to4

Генерация текстаТекст → текст3 профессии

Разреженный чекпойнт Llama 2 7B с маской 2:4 для генерации текста при уменьшенном числе ненулевых весов.

168скачиваний за 30 дней0лайковвеса обновлены5 сен 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 разреженный чекпойнт Meta Llama 2 7B, подготовленный elastix-ai методом HyperPrune на основе meta-llama/Llama-2-7b-hf. Модель предназначена для генерации текста и оценки языкового моделирования; веса имеют полуструктурированную разреженность 2:4 во всех 32 слоях декодера. В репозитории указано 6,6 млрд параметров, формат safetensors и контекст до 4096 токенов.

Чекпойнт использует калибровочный корпус SlimPajama-6B; авторы приводят измерения perplexity и точности на нескольких тестах. По описанию, гиперсеть выбирает лишь около 3,5% маски, а для остальных весов сохраняется маска SparseGPT, поэтому характеристики нельзя напрямую сопоставлять с результатами оригинальной статьи HyperPrune. Базовая Llama 2 ориентирована на английский язык. Лицензия обозначена как other; конкретные условия использования следует проверять в карточке модели и у базовой модели.

Сценарии применения

  • генерация текста на английском языке
  • продолжение текстового фрагмента
  • оценка perplexity языковой модели
  • эксперименты с ускорением инференса разреженных LLM

Ограничения

Перплексия и точность на приведённых бенчмарках ниже плотной базовой модели; результаты зависят от протокола оценки и не должны напрямую сравниваться с отдельными метриками из статьи. Для примерно 96,5% маски использован приор SparseGPT, а не выбор гиперсети.

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

HyperPrune-Llama-2-7B-2to4

meta-llama/Llama-2-7b-hf pruned to 2:4 semi-structured sparsity with HyperPrune (Sun & Sakuma, Learning Semi-Structured Sparsity for LLMs via Shared and Context-Aware Hypernetwork, ICLR 2026, OpenReview).

This is a reproduction run produced at Elastix as part of the BLADE sparsity-method comparison. It is plain sparse bf16/fp16 safetensors and loads with stock transformers:

from transformers import AutoModelForCausalLM, AutoTokenizer
m = AutoModelForCausalLM.from_pretrained("elastix-ai/HyperPrune-Llama-2-7B-2to4")
t = AutoTokenizer.from_pretrained("meta-llama/Llama-2-7b-hf")

What differs from the paper's own recipe

paper / repo defaultthis checkpoint
calibration corpusallenai/c4DKYoon/SlimPajama-6B, validation (BLADE's corpus)
pruned modulessee belowsee below

Everything else — hypernet architecture, both training stages, all learning rates, step counts, temperature, prior, row selection — is HyperPrune's own shipped setting.

Configuration

model:
  name_or_path: meta-llama/Llama-2-7b-hf
data:
  dataset_name: slimpajama   # DKYoon/SlimPajama-6B, validation split (BLADE's corpus)
  num_samples: 128
  seq_len: 2048
  seed: 42
hypernet:
  type: mlp
  hidden_dim: 256
  emb_dim: 64
  use_layer_emb: false
  use_comp_emb: false
  use_hessian_diag: true
training:
  sup_steps: 12000
  sup_lr: 1.0e-3
  ft_lr: 3.0e-4
  ft_nsamples: 4
  rows_per_step: 400
  cascade_inner_steps: 300
  ft_mode: cascade
  tau: 0.5
  prior_source: sparsegpt
  wanda_residual_alpha: 2.0
  compensated_propagation: true
  use_weight_compensation: true
  train_on_compensated: true
  fixed_rows_count: 200
  fixed_rows_pos: first
  dense_layers_list: []      # BLADE prunes every layer; the paper keeps [0,1] dense

Measured

metricvalue
overall decoder sparsity (check_sparsity)0.5005 (all 32 decoder layers pruned)
WikiText-2 PPL (HyperPrune eval_ppl.py, seqlen 2048)10.64
WikiText-2 word PPL (lm-eval-harness, BLADE's protocol)21.65 (dense reference under the same protocol: 9.19)
training wall-clock22.1 min
peak GPU during cascade FT8.82 GB
GPU1 x NVIDIA RTX PRO 6000 Blackwell (97 GB), CUDA 13.0, torch 2.13.0+cu130

Two things to know before comparing this number to the paper

1. Every layer is pruned here. HyperPrune's own configs/llama2_7b.yaml sets dense_layers_list: [0, 1], which leaves 2 of 32 decoder layers fully dense and yields 46.9 % sparsity, not 50 %. This checkpoint prunes all 32 layers to match BLADE's two_four_all spec, so it is a true 2:4 model. That alone makes it a harder setting than the paper's 8.77.

2. Only ~3.5 % of this mask was chosen by the hypernet. The shipped recipe sets fixed_rows_count: 200, so the hypernet decides the mask for the first 200 output rows of each projection and every remaining row keeps the SparseGPT prior's mask verbatim. Weighted by parameter count on this architecture that is 3.52 % of weights. This is HyperPrune's own default, kept here deliberately because the instruction was to change nothing but the calibration corpus.

The two perplexity columns are different quantities and are not comparable to each other: the first is token-level PPL over concatenated WikiText-2 at seqlen 2048 (the Wanda/SparseGPT convention, dense LLaMA-2-7B = 5.47); the second is lm-evaluation-harness word_perplexity at max_length=2048 (dense = 9.19).

Provenance

Produced from HyperPrune commit 6d093d7 with a small set of documented patches (bias-dtype autocast, calibration loader, disk-peak reduction, and — for 4:8 checkpoints — the N:M generalization, which the reference implementation does not ship). See the reproduction report for the full diff.

Evaluation Results

KL Divergence

DatasetAvg KLTotal KLTokens
wikitext20.652801220886.4053338,367
c40.6611111444727.66142,185,302
slimpajama_calib0.5981745015395.21568,384,512

Downstream Accuracy

Taskacc, Nonestderr, None
arc_challenge0.28750.0132
arc_easy0.63890.0099
hellaswag0.41980.0049
mmlu0.26570.0037
openbookqa0.24200.0192
piqa0.70020.0107
race0.37510.0150
winogrande0.65590.0134

Perplexity (2048-token windows, max_length=2048)

DatasetWord PPLByte PPL
WikiText-221.64731.7772
C4 (en)49.34621.9199

BLADE-Eval: lm-eval 0.4.10, torch 2.13.0+cu130, MLflow run

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
dff164b

0 моделей