/ Модель

Характеристики

Параметры
231 млн
Лицензия
Apache 2.0
Опубликована
20 июн 2025

DAT-Byte-Small

Генерация текстаТекст → текст3 профессии

Компактный англоязычный байтовый Transformer для генерации текста и диалогов, обученный с нуля на книгах и переписках Discord.

19скачиваний за 30 дней5лайковвеса обновлены28 июл 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

DAT-Byte-Small — англоязычная байтовая авторегрессионная модель генерации текста из семейства DAT Byte, разработанная автором репозитория и обученная с нуля. Это decoder-only Transformer с Differential Attention, RoPE, 28 слоями, размером скрытого состояния 768 и примерно 231,4 млн параметров. Байтовый словарь включает 256 значений байта и три специальных токена.

Модель предназначена для продолжения текста и диалоговой генерации по образцу англоязычных книг и переписок Discord. Обучение включало публичные англоязычные книги, данные Discord в формате ChatML и переводы Библии; в диалоговых данных встречались разные темы, в том числе программирование. Автор отмечает, что модель улавливает базовые синтаксические шаблоны некоторых языков программирования, но сгенерированный код может быть ненадёжным и не рассчитан на производственное применение.

Обучение проводилось с нуля на последовательностях длиной от 512 до 2048 токенов; автор сообщает, что в собственных проверках модель продолжала работать и на более длинных последовательностях. В карточке Hugging Face указана лицензия Apache-2.0. Бенчмарки пока не представлены.

Сценарии применения

  • продолжение англоязычных текстов
  • генерация коротких диалоговых ответов в стиле переписки Discord
  • эксперименты с байтовыми языковыми моделями
  • изучение базовых закономерностей кода в текстовой генерации

Ограничения

Бенчмарки в карточке не приведены; модель обучалась на меньшем объёме данных, чем более крупные модели семейства. Сгенерированный код может быть ненадёжным и не подходит для производственного использования.

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

image/png

DAT Byte Small (200M)

DAT Byte is a family of byte-level Differential-Attention Transformers, trained from scratch on an RTX 5090.
This model is the smallest in the family, with approximately 200 million parameters. It was trained on a set of Discord chat data, public domain books, and English Bible translations. Larger models in the family received a larger and more diverse training set.


Training Data

As the smallest DAT Byte model, this version was trained on less data than its larger family members. The training data was composed exclusively of the following sources:

  • Gutenberg English — English books in the public domain (about 20GB total)
  • OpenDiscord — Discord dumps in ChatML format
  • Proprietary Discord dumps (similar structure and tone to OpenDiscord)
  • A diverse set of public domain English Bible translations (~34MB total)

Only the datasets listed above were used. Data was shuffled with Gutenberg English being used only around 35% of the time (average estimate).

The Discord datasets (combined ~693MB) were formatted in ChatML, with usernames serving as speaker roles, enabling the model to learn natural dialogue structure and dynamics. Discord data included many diverse topics, especially code. Thus, the model understands basic syntax patterns of some common programming languages. However, due to its lack of training on large scale high quality code samples, generated code will likely not be reliable or production-quality. Larger models in the family received a larger and more diverse training set.


Architecture

This model follows the structure proposed in Differential Transformer (Ye et al., 2024), which introduces Differential Attention. Differential Attention is particularly helpful in creating byte-level LLMs as it reduces attention noise and allows the model to better grasp semantic meaning at such a high granularity.

Key architectural details:

  • Model Type: Decoder-only Transformer
  • Positional Encoding: RoPE (Rotary Positional Embeddings)
  • Normalization: Pre-layernorm (LayerNorm before attention and MLP blocks)
  • Hidden Size: 768
  • FFN Size: 3,072
  • Attention Heads: 12
  • Layers: 28
  • Vocabulary Size: 259 (256 byte tokens + 3 special tokens)

Training

DAT-Byte Small was trained for a total of 31,200 steps with a max sequence length of 2048 and a min sequence length of 512. Batch size varried based on sequence length but was usually around 128-256 (Gradient Accumulation was used). The model saw approximately 5-10 Billion tokens during training (sorry, I didn't keep track so the best you'll get is an estimate). The learning rate averaged probably around 5e-5. Even though it was only trained up to 2048 token sequence length, in my testing it seems to extrapolate well above that. RoPE helps.


Benchmarks

Coming soon.

Usage

To run DAT-Byte Small (200M), follow these steps.

  1. git clone https://huggingface.co/hudsongouge/DAT-Byte-Small
  2. python3 run.py -c

That's it! You're now in an interactive chat with the model!


Citation

If you use DAT Byte Small in your research, fine-tune it, or build on this work, please cite the original author:

BibTeX entry

@misc{gouge2025datbyte,
  title        = {DAT Byte: Byte-Level Differential Attention Transformers},
  author       = {Hudson Gouge},
  year         = {2025},
  url          = {https://huggingface.co/hudsongouge/dat-byte-small},
  note         = {DAT Byte Small (200M) Model Card}
}

Please include this citation in any derivative work, publication, or project that makes use of the DAT Byte architecture or training artifacts.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
e2c9a03

0 моделей