/ Модель

Характеристики

Контекст
8 192 токена
Параметры
294 млн
Лицензия
Apache 2.0
Архитектура
granitemoe_swa · MoE
Библиотека
transformers
Опубликована
1 июл 2026

granite-swash-3b-a600m

Генерация текстаТекст → текст4 профессии

Экспериментальная базовая англоязычная MoE-модель IBM для генерации текста с оконным вниманием и обучаемыми attention sinks.

14 577скачиваний за 30 дней16лайковвеса обновлены9 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-3B-a600M — базовая авторегрессионная языковая модель общего назначения, разработанная командой Granite компании IBM. Это разреженный decoder-only Transformer с архитектурой Mixture of Experts, механизмами Sliding Window Attention и обучаемыми attention sinks. В README модель названа 3B, тогда как метаданные указывают 293,6 млн параметров; поэтому точный размер по имеющимся данным неоднозначен.

Модель предназначена для генерации текста на английском языке, в том числе для продолжения текста, ответов и решения задач рассуждения. Контекст составляет 8192 токена. Для инференса нужны Transformers версии выше 5.8.0; поддерживаются Flash Attention 3/4 и eager backend, но SDPA не поддерживается.

Модель выпущена как ранний экспериментальный preview будущих моделей Granite. Она не прошла safety alignment, поэтому может выдавать предвзятые, ошибочные или небезопасные ответы; также отмечен риск дословного воспроизведения обучающих данных. Лицензия — Apache 2.0.

Сценарии применения

  • продолжение и генерация текста на английском языке
  • создание прототипов приложений на базе языковой модели
  • ответы на вопросы и выполнение текстовых инструкций
  • эксперименты с оконным вниманием и attention sinks
  • оценка генерации и рассуждений на англоязычных бенчмарках

Ограничения

Модель не прошла safety alignment и может генерировать предвзятые, ошибочные или небезопасные ответы; возможно дословное воспроизведение обучающих данных. SDPA не поддерживается, а заявленный в README размер 3B расходится с числом параметров в метаданных.

Для каких профессий подходит4

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-3B-a600M (Sliding Window Attention + Sinks Hybrid)

Model Summary Granite-SWASH-3B-a600M is a 3B parameter decoder-only sparse 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-3B-a600M is based on a decoder-only mixture-of-experts transformer architecture. Core components of this architecture are: GQA, RoPE, MLP with SwiGLU, RMSNorm, MoE with shared experts, shared input/output embeddings, Sliding Window Attention, and Attention Sinks.

ParameterValue
Hidden size1280
Layers28
Attention heads20 (4 KV heads, GQA)
Experts48
Experts top K4
Intermediate size512 (SwiGLU)
Shared expert size1280
Max position embeddings8192
Sliding window size128
Vocabulary100,352
Parameters3,020,382,000
Active parameters598,171,440

Attention Pattern: 8 full-attention layers (indices 0, 3, 7, 11, 15, 19, 23, 27) and 20 sliding-window layers (window=128). All layers have learnable per-head attention sinks.

MuP Scaling: embedding_multiplier=12, residual_multiplier=0.26, logits_scaling=5, attention_multiplier=0.015625

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-3b-a600m",
    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-3b-a600m")

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_perplexity16.13
MMLU (5-shot)accuracy0.5409
GSM8K CoT (5-shot)exact_match0.3958

Supported Features

  • Flash Attention 3 and 4 with native LSE (recommended for speed)
  • Eager attention fallback (for debugging/CPU)
  • Sparse activation via mixture of experts
  • 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-3B-a600M 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-3B-a600M 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
GraniteMoeSWAForCausalLM
Ревизия весов
568a94f

0 моделей