/ Модель

Характеристики

Контекст
131 072 токена
Параметры
575 млн
Лицензия
Apache 2.0
Архитектура
convgpt · dense
Библиотека
transformers
Опубликована
5 янв 2026

ConvGPT-0.2B-SYNTH-250B-EC

Генерация текстаТекст → текст3 профессии

Экспериментальная компактная англоязычная модель ConvGPT для генерации текста и диалогов с архитектурой, использующей свёрточное сжатие скрытых представлений.

91скачиваний за 30 дней10лайковвеса обновлены7 фев 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

ConvGPT-0.2B-SYNTH-250B-EC — экспериментальный ранний чекпойнт языковой модели ConvGPT, разработанный автором репозитория mkurman. Модель предназначена для генерации текста и диалогов; автор ориентирует архитектуру на компактные языковые модели для мобильных и периферийных устройств.

В архитектуре ConvGPT свёрточный слой Conv2D и усредняющий пуллинг сжимают скрытое представление перед декодером, а специальные механизмы причинного маскирования сохраняют авторегрессионный порядок. В README указано 163 952 769 параметров, 32 слоя и обучение на 250 млрд токенов PleIAs/SYNTH; метаданные сообщают 574,6 млн параметров и контекст 131 072 токена, поэтому размер из источников расходится. Карточка заявляет результат выше 30% на GPQA-Diamond, но это утверждение автора, а не независимая оценка.

Модель рассчитана прежде всего на английский язык. Для загрузки требуется Transformers с включённым trust_remote_code, поскольку используется пользовательский код архитектуры. Лицензия — Apache-2.0. Это ранний экспериментальный чекпойнт, поэтому качество и пригодность для развёртывания следует оценивать отдельно.

Сценарии применения

  • генерация продолжения английского текста
  • создание диалогового помощника на английском языке
  • эксперименты с компактными языковыми моделями для мобильных устройств
  • исследование свёрточного сжатия в авторегрессионных языковых моделях

Ограничения

Это ранний экспериментальный чекпойнт; заявленные в README результаты не являются независимой оценкой. README указывает около 164 млн параметров, тогда как метаданные — 574,6 млн; для загрузки требуется trust_remote_code.

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

ConvGPT 164M SYNTH EC 250B TOKENS

This is an Early Checkpoint (EC) of the ConvGPT architecture, a novel model designed for maximal hidden size compression.

Model Details

  • Architecture: ConvGPT
  • Checkpoint Step: 172,000
  • Parameters: 163,952,769
  • Num layers: 32
  • Hidden size: 1296
  • Transformer dimension: 144
  • Vocab size: 65538
  • Intermediate size: 3072
  • Num attention heads: 16
  • Num kv heads: 8
  • Head dim: 128
  • Tie word embeddings: True

Architecture Highlights

ConvGPT introduces a novel approach to Large Language Model compression by integrating 2D convolutional networks directly into the pre-training architecture, rather than relying on post-training quantization or pruning. Designed specifically for Mobile/Edge (SLM) use cases, it achieves significant parameter reduction while maintaining high reasoning capabilities.

  • Convolutional Embedding Compression: Unlike standard Transformers that maintain a constant hidden size throughout, ConvGPT utilizes a Conv2D + Average Pooling layer to compress the input hidden state vector by a factor of 9x before it enters the residual stream. This allows the model to maintain high-dimensional information in the embedding layer and prediction head while operating on a highly efficient, smaller vector in the decoder layers.
  • Causal masking in 2D: The architecture implements specialized padding and reshaping mechanisms during the convolution steps to strictly preserve autoregressive causality. This eliminates "token leakage" (look-ahead bias), ensuring the model remains robust during generation and prevents the test-time degradation often seen in naive convolutional language models.

Extreme Parameter Efficiency:

  • Current Model: 164M parameters (comparable performance to a standard 722M parameter architecture) - a ~4.4x size reduction.

  • Scaling Potential: The architecture scales efficiently; a configuration with hidden_size=2048 results in just 266M parameters compared to a 1.7B parameter baseline (a 6.5x reduction).

  • Performance-to-Size Ratio: Trained on 250B tokens (PleIAs/SYNTH), this 164M model achieves >30% on GPQA-Diamond, a significant outlier for its size class, demonstrating that logic and reasoning capabilities can be preserved even with aggressive vector compression.

  • Normalization Stability: Includes post-convolution normalization to manage vector value scaling, ensuring training stability and consistent generation output.


Training Details

This model is currently being trained using the Google TPU Research Cloud (TRC).

  • Dataset: PleIAs/SYNTH
  • Tokens Processed: ~250 Billion
  • Hardware: TPUv4-16
  • Training Time: ~30 Days
  • Effective Batch Size: 512
  • Context Length: 4096 tokens
  • Learning rate: P1: 1e-3 (75B), P2: 1e-4 (175B)
  • Weight decay: P1: 0.0, P2: 0.01
  • Optimizer: AdamW
  • Precision: BFloat16

Usage

Note: You must use trust_remote_code=True as this model utilizes custom modeling code (modeling_convgpt.py).

import torch
from transformers import AutoTokenizer, TextStreamer, AutoModelForCausalLM

model_id = "mkurman/ConvGPT-SYNTH-250B-EC"

# Load the tokenizer
tokenizer = AutoTokenizer.from_pretrained(model_id)

# Load the model with custom code trust
model = AutoModelForCausalLM.from_pretrained(
    model_id, 
    torch_dtype=torch.bfloat16, 
    device_map='cuda', 
    trust_remote_code=True
).eval()

streamer = TextStreamer(
    tokenizer, skip_prompt=False, decode_kwargs={"skip_special_tokens": False}
)

# Prepare input
input_ids = tokenizer.apply_chat_template(
    [{"role": "user", "content": "what is hypertension?"}], 
    tokenize=True, 
    return_tensors="pt", 
    add_generation_prompt=True
)

print(f"Input IDs: {input_ids}")

# Generate
with torch.no_grad():
    outputs = model.generate(
        input_ids=input_ids.to(model.device),
        max_new_tokens=128,
        streamer=streamer,
        use_cache=True,
        # Important: Keep repetition_penalty at 1.0 for this early checkpoint
        repetition_penalty=1.0, 
    )

You can also find support for vLLM and SGLang in my GitHub repository.

Acknowledgments

This model was trained using Cloud TPUs provided by Google's TPU Research Cloud (TRC) program.

Special thanks to Pierre-Carl Langlais and the PleIAs team for the high-quality SYNTH dataset.

Repo

GitHub: https://github.com/mkurman/convgpt

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

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

Класс архитектуры
ConvGPTForCausalLM
Ревизия весов
7b334b1

0 моделей