/ Модель

Характеристики

Контекст
512 токенов
Параметры
31,1 млн
Лицензия
Своя лицензия
Архитектура
tolm · dense
Библиотека
transformers
Опубликована
15 июл 2026

mosaic-memory-d384-bbpe16k

Заполнение пропусковТекст → текст3 профессии

Компактный англоязычный masked LM из серии экспериментов BabyLM для заполнения пропусков и исследований языкового моделирования.

15скачиваний за 30 дней0лайковвеса обновлены21 июл 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

miguelcsx/mosaic-memory-d384-bbpe16k — англоязычная компактная модель masked language modeling, разработанная как один из пяти контролируемых экспериментов семейства BabyLM Strict-Small. Это плотный LTG-BERT-подобный энкодер с относительным вниманием, 12 слоями и 384 скрытыми измерениями; в README указано 33,3 млн параметров, а в метаданных — 31,1 млн. Для обучения основная двунаправленная задача предсказания замаскированных токенов была дополнена шумовой причинной вспомогательной целью: модель предсказывала следующий токен в части последовательностей, используя обучаемую позиционную точность для управления гауссовым шумом скрытых состояний. В метаданных указан pipeline fill-mask; каталог также отмечает text-generation как поддерживаемую задачу.

Модель подходит для экспериментов с заполнением пропусков и исследования небольших языковых моделей на английском корпусе BabyLM. Экспериментальная рецептура не превращает чекпойнт в модель с архитектурой ограниченной памяти и не подтверждает гипотез о человеческой или детской памяти. Это один обученный запуск, поэтому он не характеризует вариативность между запусками; README также предупреждает, что модель не является универсальным ассистентом. Лицензия в метаданных обозначена как other, без уточнения условий в предоставленных данных.

Сценарии применения

  • восстановление замаскированных слов в английском тексте
  • эксперименты с небольшими языковыми моделями на корпусе BabyLM
  • сравнение рецептур masked language modeling
  • исследование вспомогательной шумовой цели предсказания следующего токена

Ограничения

Это один обученный запуск, поэтому он не отражает разброс результатов между запусками; модель мала и не предназначена для роли универсального ассистента. Указанная вспомогательная цель не означает наличие архитектуры ограниченной памяти или доказательств о человеческой памяти.

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

Noisy auxiliary checkpoint

This repository contains one trained member of a controlled five-run BabyLM Strict-Small family. The runs share source data, tokenizer, backbone, initialization seed, primary masked-language-model objective, main optimization schedule, and nominal exposure. There is one trained run per recipe, and added objectives require unequal training compute. Comparisons are descriptive.

Model and data

PropertyValue
Architecturecustom LTG-BERT-style masked encoder with relative attention
Parameters33,320,644
Layers / hidden size12 / 384
Attention heads / FFN size6 / 1,280
Context length512
Tokenizerbyte-level BPE, 16,384 entries
Primary objectivecomplementary whole-word masking + data2vec
Source corpus9,572,138 words
Deterministic replay427,862 words
Corpus per pass10,000,000 words
Nominal exposure100,000,000 words

Training operation

On one quarter of batch rows, an extra causal forward encodes the complete prefix. A learned scalar precision at each position controls Gaussian noise in the hidden state. The corrupted state predicts the next word-starting token, and a squared penalty keeps mean precision near 0.35. The auxiliary loss has weight 0.15. The primary bidirectional masked LM retains its complete context.

The implemented operation is a noisy causal auxiliary objective. The exported model has no bounded-memory architecture, and the run does not identify a human memory mechanism.

Shared training settings include LAMB with peak learning rate 0.0035, a cosine schedule with 1.6% warmup and cooldown, bfloat16, 16,384 tokens per update, data2vec weight 0.5, and EMA decay 0.9998.

Usage

from transformers import AutoModelForMaskedLM, AutoTokenizer

repo_id = "miguelcsx/mosaic-memory-d384-bbpe16k"

tokenizer = AutoTokenizer.from_pretrained(repo_id, revision="main")
model = AutoModelForMaskedLM.from_pretrained(
    repo_id,
    revision="main",
    trust_remote_code=True,
)

main and chck_100M contain the final checkpoint. Earlier checkpoints are stored as chck_1M through chck_10M, then chck_20M through chck_90M.

Remote code is required for the custom inference class. Review tolm.py before loading it in a security-sensitive environment. The canonical code is maintained at github.com/miguelcsx/tolm.

Evaluation and provenance

All required checkpoint revisions were evaluated with the same BabyLM fast suite used for the controlled family. These outputs are local development evidence, not a leaderboard rank or a superiority claim. Machine-readable configuration and file provenance are recorded in training_manifest.json and release_manifest.json.

Limitations

  • This is one trained run, so it does not estimate training-run variance.
  • The model is a small English masked LM, not a general-purpose assistant.
  • The recipe label describes an implemented operation. It does not establish child-like memory or a causal claim about children.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
TOLMForMaskedLM
Ревизия весов
96cb9da

0 моделей