/ Модель

Характеристики

Контекст
131 072 токена
Параметры
386 млн
Архитектура
mini_k3 · MoE
Библиотека
pytorch
Опубликована
21 сен 2026

Mini-K3-1H-kda-kernel-32-v2_D

Генерация текстаТекст → текст3 профессии

Текстовый предварительно обученный чекпойнт Mini-K3 для генерации продолжения текста и сравнительных экспериментов с архитектурами.

2 248скачиваний за 30 дней0лайковвеса обновлены25 сен 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

Mini-K3-1H-kda-kernel-32-v2_D — текстовая модель семейства Mini-K3, опубликованная как контрольный исследовательский чекпойнт предварительного обучения для сравнения 20 архитектур. Она предназначена для генерации продолжения текста и экспериментов с архитектурой, а не для диалогового использования или следования инструкциям.

Модель имеет MoE-архитектуру декодера с 13 слоями: 9 слоями KDA и 4 слоями Gated MLA, блоками Attention Residuals, 64 маршрутизируемыми и общими экспертами и выбором top-k. В метаданных указано 385,9 млн параметров; README приводит около 1,018 млрд логических параметров и примерно 355 млн активируемых на токен. Контекст в метаданных — 131 072 токена, тогда как обучение этого чекпойнта шло на последовательностях длиной 8 192 токена. Модель принимает и генерирует текст; заявлена как текстовая, языковая специализация не указана.

Чекпойнт обучен на 16 млрд целевых токенов и не проходил постобучение или оценку на downstream-задачах. README характеризует его как небольшой исследовательский прокси, не предназначенный для роли ассистента; ответы могут быть неточными, предвзятыми, небезопасными или повторяющимися. Лицензия в предоставленных данных не описана; исходные датасеты сохраняют собственные условия использования.

Сценарии применения

  • генерация продолжения текста
  • изучение поведения MoE-архитектуры на небольшом чекпойнте
  • сравнение вариантов KDA и Gated MLA
  • эксперименты с предварительным обучением языковых моделей

Ограничения

Это промежуточный исследовательский чекпойнт без постобучения и оценки на прикладных задачах, не предназначенный для следования инструкциям. Выводы могут быть неточными, предвзятыми, небезопасными или повторяющимися; лицензия модели в предоставленных данных не описана.

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

Mini-K3-1H-kda-kernel-32

This repository contains a text-only Mini-K3-1H v2 pretraining checkpoint from a controlled 20-architecture comparison. The family retains Kimi-K3's KDA and Gated MLA operators, block Attention Residuals, Stable LatentMoE, SiTU activations, output gates, and Quantile Balancing at approximately one billion logical parameters. The exact architecture for this repository is listed below; some ablations deliberately replace the baseline KDA/MLA ratio, decay granularity, convolution length, or positional encoding.

Architecture

  • Decoder layers: 13 (9 KDA + 4 Gated MLA)
  • KDA layer indices: [1, 2, 3, 5, 6, 7, 9, 10, 11]
  • Gated MLA layer indices: [4, 8, 12, 13]
  • Hidden width / attention heads / KDA head width: 1024 / 12 / 128
  • KDA causal depthwise-convolution kernel: 32
  • KDA decay groups per head: 128 (contiguous)
  • MLA positional mode: NoPE; output gate: True
  • Dense layers before MoE: 1
  • Routed/shared experts and top-k: 64 / 2 / 4
  • Routed expert hidden width: 512
  • Attention Residual block size: 4
  • Logical parameters: 1,017,941,740
  • Activated parameters per token: 354,717,420
  • Vocabulary / BOS / generation EOS / PAD: 163840 / 163584 / 163586 / 163839

Checkpoint

  • Revision/tag: checkpoint-tokens-016000000000-final
  • Valid next-token targets consumed: 16,000,000,000
  • Optimizer steps completed: 24,415
  • Sequence length: 8,192
  • Parameter dtype: BF16, with KDA decay, convolution, normalization and router control state retained in FP32 where defined by the implementation
  • Optimizer state: deliberately not published

Every numbered checkpoint is an immutable Git tag. main points to the most recent uploaded checkpoint. The final tag is exactly checkpoint-tokens-016000000000-final and is created only after exactly 16,000,000,000 valid loss targets have been processed.

Initialization and comparability

All 20 runs use canonical name-and-shape keyed initialization with base seed 20260914. Parameters shared by two architectures, with the same semantic name and shape, therefore begin byte-identically. Variant-only or shape-changing parameters receive their own deterministic streams. All runs consume the same immutable, append-only mixture schedule in the same order. Packed documents are hard-isolated: MLA uses a document-blocked causal mask, while KDA recurrent state and Q/K/V short-convolution history reset at every segment boundary.

Training recipe

Training uses K3-style per-head Muon for head-expanded Q/K/V matrices, Muon for other matrix parameters, AdamW fallback for vectors and embeddings, weight decay 0.1, per-head QK-Clip, cosine decay, 1% linear warmup, and online 1,000-bin histogram Quantile Balancing. The router selects experts with biased scores and combines them with renormalized unbiased sigmoid scores. No post-training was performed.

The exact frozen source revisions, token quotas, schedule hashes, optimizer configuration, hardware benchmark choice, and validation split hashes are in the JSON manifests included in this repository. Source datasets retain their own licenses and terms; this repository does not redistribute their text.

Files and loading

model.safetensors uses the standalone layout defined by modeling_mini_k3.py and configuration_mini_k3.py. The bundled code and config.json fully define the architecture without relying on the original training checkout. ARCHITECTURE_PACKAGE_README.md, ARCHITECTURE.md, and VARIANT.md (when present) describe the standalone package and the controlled change. See initialize_model.py and smoke_test.py for local use.

Evaluation

This is an intermediate pretraining research checkpoint. It has not yet been evaluated on downstream tasks. Training-time fixed-development NLL and perplexity are logged in W&B and the run's JSONL metrics. Planned downstream and architecture diagnostics are documented in the experiment repository.

Limitations

The model is a small research proxy, is pretrained only, and should not be treated as an instruction-following assistant. Outputs may be inaccurate, biased, unsafe, or repetitive. Architecture rankings at this scale and at an 8K training length need confirmation before extrapolation to full Kimi-K3.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Архитектура mini_k3 неизвестна transformers в образе рантайма.

Ревизия весов
3600a28

0 моделей