/ Модель

Характеристики

Контекст
8 192 токена
Параметры
2,1 млрд
Лицензия
Apache 2.0
Архитектура
granite_swa · dense
Библиотека
transformers
Опубликована
1 июл 2026

granite-swash-2b

Генерация текстаТекст → текст3 профессии

Англоязычная базовая языковая модель IBM на 2,1 млрд параметров для генерации текста и экспериментов с гибридным скользящим вниманием и attention sinks.

15 113скачиваний за 30 дней5лайковвеса обновлены7 июл 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

Granite-SWASH-2B — плотная авторегрессионная языковая модель с 2,1 млрд параметров, разработанная командой Granite компании IBM. Это базовая англоязычная модель общего назначения и ранний исследовательский образец для изучения архитектурных решений будущих моделей Granite.

Модель построена на декодерном трансформере с GQA, RoPE, SwiGLU, RMSNorm и общими входными и выходными эмбеддингами. В 7 слоях используется полное внимание, в остальных 17 — скользящее окно размером 128 токенов; во всех слоях есть обучаемые attention sinks. Контекст составляет 8192 токена. Модель предназначена для генерации текста и экспериментов с языковыми моделями; карточка приводит результаты на WikiText-2, MMLU и GSM8K.

Для ускоренной генерации поддерживаются Flash Attention 3 и 4, а также eager-реализация для отладки и CPU; SDPA не поддерживается для этой модели. Требуется Transformers версии выше 5.8.0. Модель не прошла safety alignment, поэтому может выдавать проблемный контент, дезинформацию и галлюцинации. Лицензия — Apache 2.0.

Сценарии применения

  • генерация продолжений текста на английском языке
  • эксперименты с архитектурой скользящего внимания и attention sinks
  • оценка языковой модели на задачах общего назначения
  • прототипирование приложений генерации текста

Ограничения

Модель не прошла safety alignment и может выдавать проблемные ответы, дезинформацию и галлюцинации. Для её запуска нужна версия Transformers выше 5.8.0; SDPA не поддерживается.

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

Granite-SWASH-2B (Sliding Window Attention + Sinks Hybrid)

Model Summary Granite-SWASH-2B is a 2B parameter decoder-only dense language model with per-layer Sliding Window Attention (SWA) and learnable attention sinks (LSE-based). Trained on a mix of open source and proprietary data, it is a broad, general-purpose, English-language base model that serves as an early exploration and small-scale preview for upcoming Granite series model releases.

Architecture

Granite-SWASH-2B is based on a decoder-only dense transformer architecture. Core components of this architecture are: GQA, RoPE, MLP with SwiGLU, RMSNorm, shared input/output embeddings, Sliding Window Attention, and Attention Sinks.

ParameterValue
Hidden size2560
Layers24
Attention heads20 (4 KV heads, GQA)
Intermediate size8192 (SwiGLU)
Max position embeddings8192
Sliding window size128
Vocabulary100,352
Parameters2,144,463,840

Attention Pattern: 7 full-attention layers (indices 0, 3, 7, 11, 15, 19, 23) and 17 sliding-window layers (window=128). All layers have learnable per-head attention sinks.

MuP Scaling: embedding_multiplier=12, residual_multiplier=0.28, logits_scaling=10, attention_multiplier=0.0078125

Sink Mechanism: this model uses post-attention LSE scaling in the eager implementation:

sink_scale = sigmoid(lse - sinks)
attn_output = attn_output * sink_scale

Where lse is the log-sum-exp of attention scores, and sinks is a learnable per-head parameter. Flash Attention 3 and 4 implementations natively incorporate and compute the sink token under the hood. Note that SDPA does not express sink tokens or sink_scale, and so is not a supported backend.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model = AutoModelForCausalLM.from_pretrained(
    "ibm-granite/granite-swash-2b",
    dtype=torch.bfloat16,
    device_map="auto",
    attn_implementation="flash_attention_3",  # or "flash_attention_4" or "eager", NOT "sdpa"
)
tokenizer = AutoTokenizer.from_pretrained("ibm-granite/granite-swash-2b")

inputs = tokenizer("The capital of France is", return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=50, do_sample=False)
print(tokenizer.decode(out[0], skip_special_tokens=True))

Requires transformers version > 5.8.0

Evaluation Results

BenchmarkMetricScore
WikiText-2word_perplexity15.29
MMLU (5-shot)accuracy0.5519
GSM8K CoT (5-shot)exact_match0.4223

Supported Features

  • Flash Attention 3 and 4 with native LSE (recommended for speed)
  • Eager attention fallback (for debugging/CPU)
  • Sliding window KV cache (memory-efficient generation)
  • Per-layer causal mask dispatch (full vs sliding window)
  • Generation via model.generate()

Ethical Considerations and Limitations

The use of Large Language Models involves risks and ethical considerations people must be aware of, including but not limited to: bias and fairness, misinformation, and autonomous decision-making. Granite-SWASH-2B is not an exception in this regard. Even though this model is suited for multiple generative AI tasks, it has not undergone any safety alignment and it may produce problematic outputs. Additionally, it remains uncertain whether smaller models might exhibit increased susceptibility to hallucination in generation scenarios by copying text verbatim from the training dataset due to their reduced sizes and memorization capacities. This aspect is currently an active area of research, and we anticipate more rigorous exploration, comprehension, and mitigations in this domain. Regarding ethics, a latent risk associated with all Large Language Models is their malicious utilization. We urge the community to use Granite-SWASH-2B model with ethical intentions and in a responsible way. To enhance safety in enterprise deployments, we recommend using Granite Language models alongside Granite Guardian, a model designed to detect and flag risks in inputs and outputs across key dimensions outlined in the IBM AI Risk Atlas.

Resources

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GraniteSWAForCausalLM
Ревизия весов
af1e322

0 моделей