/ Модель

Характеристики

Параметры
43,6 млн
Лицензия
MIT
Архитектура
san · dense
Опубликована
2 сен 2026

x-small

Генерация текстаТекст → текст

SAN x-small — экспериментальная компактная языковая модель на PyTorch для генерации текста и исследований архитектуры Simple Attention Network.

659скачиваний за 30 дней0лайковвеса обновлены7 окт 2026

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

SAN x-small — небольшая экспериментальная языковая модель семейства Simple Attention Network, созданная Kenpeter. Репозиторий содержит веса 12-слойной конфигурации и реализацию на PyTorch; README описывает её как порт архитектуры needle. Метаданные указывают 43,6 млн параметров, а README — около 31 млн; в конфигурации модели заявлены ширина 384, 8 attention heads и 4 KV heads с GQA, контекст 2048 токенов и точность bfloat16. В архитектуре также используются RoPE, learned gate, Engram n-gram KV memory, Multi-Lane Hyper-Connections и MTP head.

Модель обучалась на текстах из 16 доменов, включая код, математику, прозу и веб-тексты. Её можно применять для экспериментов с генерацией текста и изучения компактной архитектуры SAN; README приводит perplexity по коду, математике и прозе, но предупреждает, что сгенерированные примеры зацикливаются. Обучение остановлено на шаге 137 260 из запланированного миллиона. Лицензия — MIT.

Сценарии применения

  • эксперименты с генерацией коротких текстов
  • изучение и сравнение компактных языковых архитектур
  • эксперименты с генерацией кода
  • оценка языковых моделей по perplexity на коде и математике

Ограничения

README сообщает, что примеры генерации зацикливаются; модель обучена не полностью — до шага 137 260 из запланированного миллиона. В метаданных указано 43,6 млн параметров, тогда как README заявляет около 31 млн.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SAN x-small

Simple Attention Network — a ~31M-parameter custom LLM, a faithful PyTorch port of the needle architecture (arXiv:2607.18363). Trained locally on an RTX 4070 Ti 12 GB.

This repo contains the released weights for the 12-layer configuration.

Files

filewhat
pytorch_model.binmodel state_dict (load via san_model.SimpleAttentionNetwork.load_state_dict)
san_latest.ptraw training checkpoint (step 137,260): {step, loss, model_state_dict, optimizer_state_dict, config}
config.jsonarchitecture hyperparameters
tokenizer/SmolLM2-135M tokenizer (vocab 49152)
san_model.py, san_triton.pymodel definition (needed to load the weights)
load_example.pyminimal load + forward example

Load

from san_model import SimpleAttentionNetwork, SANConfig
import torch
cfg = SANConfig(num_layers=12)
model = SimpleAttentionNetwork(cfg).eval()
sd = torch.load("pytorch_model.bin", map_location="cpu")
model.load_state_dict(sd)

See load_example.py. Full training/eval code: GitHub kenpeter/x-small.

Architecture (released config)

  • params ~31M · d_model 384 · 12 layers · 8 heads / 4 KV heads (GQA)
  • vocab 49152 (SmolLM2-135M) · context 2048 · bfloat16
  • components: ZCRMSNorm, HadamardMLP, GQA + RoPE + learned gate, Engram n-gram KV memory, Multi-Lane Hyper-Connections (MHC, Sinkhorn routing), MTP head, tied embeddings

Training & eval

  • Curriculum over 16 domains; target 100w (1,000,000) steps; eff batch 64.
  • Domains: easy — code_easy, math_easy, reformat_easy, synth_easy, web_easy; medium — code_medium, math_medium, synth_medium, web_medium; hard — code_gold, code_hard, gold_hard, math_hard, synth_hard, web_gold, web_hard.
  • Training token budget (nominal, full 64 × 2048 batches): 131,072 tokens/step; ~17.99B at step 137,260; ~131.07B at 1,000,000 steps. Loss-masked curriculum tokens are not subtracted.
  • Hardware limit: single RTX 4070 Ti 12GB; micro-batch 8 × grad-accum 8 (eff 64) with gradient checkpointing, memory-efficient block-wise attention, and expandable CUDA segments to stay under the 12GB ceiling.
  • Last training step 137,260 (of 1,000,000).
  • Last eval (step 123,141) perplexity: mean 23.74 (code 10.25 / math 29.62 / prose 31.34). Perplexity is the usable quality signal at this scale; sample text loops regardless.
  • The flat training loss near ~2.0 is curriculum-mix masking, not model stall.

Benchmarks

  • Quality trend (benchmarks/ppl_trend.png, data in benchmarks/ppl_trend.csv): code/math/prose perplexity across the 12-layer evals (steps 63,663 → 110,938 → 123,141).
  • Throughput (benchmarks/throughput.png, data in benchmarks/tput_release.csv): released 12-layer weights, eager forward+backward with grad-checkpointing, bf16, seq 2048, RTX 4070 Ti 12GB. B=8 OOM because the GPU was shared with another training job at bench time; the release run used B=8 on a dedicated GPU.

perplexity trend throughput

License

MIT (code). Weights released for research use.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура san неизвестна transformers в образе рантайма.

Ревизия весов
3d101dd

0 моделей