/ Модель

Характеристики

Контекст
131 072 токена
Параметры
372 млн
Архитектура
mini_k3 · MoE
Библиотека
pytorch
Опубликована
25 сен 2026

Mini-K3-1H-llama-gqa-standard-v1

Генерация текстаТекст → текст3 профессии

Предобученная текстовая модель Mini-K3 с GQA и смесью экспертов для генерации текста и исследовательских экспериментов с архитектурой.

3 387скачиваний за 30 дней1лайквеса обновлены28 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-llama-gqa-standard — текстовая авторегрессионная модель семейства Mini-K3 от автора репозитория nkkbr, созданная как исследовательский контроль для сравнения вариантов механизмов внимания. Это не официальная модель Meta Llama. Модель использует декодер с 13 слоями стандартного Grouped Query Attention (GQA), 8 головами запросов и 4 головами ключей и значений, full-head RoPE, стандартными PreNorm остаточными связями и смесью экспертов Stable LatentMoE. В карточке указаны 372,2 млн параметров, а README сообщает 966,3 млн логических параметров и около 303,1 млн активируемых на токен; вероятно, эти показатели относятся к разным способам подсчёта.

Чекпойнт прошёл предобучение на 16 млрд целевых токенов, но не оценивался на прикладных задачах. Указанный нативный контекст — 131 072 токена, тогда как последовательности обучения имели длину 8 192 токена. Модель предназначена для экспериментов с генерацией текста и анализом архитектуры, а не для следования инструкциям или готового диалогового применения. README отмечает риск неточных, предвзятых, небезопасных и повторяющихся ответов. Веса опубликованы в формате safetensors; оптимизатор не включён. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация продолжения текста
  • исследование влияния GQA на качество языковой модели
  • сравнение механизмов внимания в архитектурных экспериментах

Ограничения

Это небольшой исследовательский чекпойнт только для предобучения, не проверенный на прикладных задачах и не предназначенный для следования инструкциям; качество выводов может быть низким, а ответы — предвзятыми, небезопасными или повторяющимися. Обучение шло на последовательностях длиной 8 192 токена, хотя в метаданных указан контекст 131 072 токена; лицензионные условия модели в предоставленных данных отсутствуют.

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-llama-gqa-standard

This repository contains a text-only Mini-K3-1H Llama-attention control from a four-model MHA/GQA by residual-mechanism comparison. It retains K3's Stable LatentMoE, first dense SiTU-GLU layer, tokenizer, and online Quantile Balancing, while all 13 sequence mixers use ordinary bias-free Q/K/V/O attention with full-head RoPE. It is a research control and is not an official Meta Llama model.

Architecture

  • Decoder layers: 13, all standard GQA
  • Hidden width / Q heads / KV heads / head width: 1024 / 8 / 4 / 128
  • Position encoding: full-head RoPE, theta 10000.0, reset at packed-document boundaries
  • Attention projections: bias-free Q/K/V/O; no MLA compression and no attention output gate
  • Residual mechanism: standard PreNorm residuals
  • Dense layers before MoE: 1
  • Routed/shared experts and top-k: 64 / 2 / 4
  • Routed expert hidden width: 512
  • Logical parameters: 966,297,344
  • Activated parameters per token: 303,073,024
  • 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 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 four 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 mixture schedule in the same order. Packed documents are hard-isolated by Transformer Engine variable-length THD attention, and RoPE positions restart from zero at every document boundary.

Training recipe

Training uses K3-style Per-Head Muon for Q/K/V matrices, Muon for other matrix parameters, AdamW fallback for vectors and embeddings, weight decay 0.1, GQA-aware per-head QK-Clip, cosine decay, 1% linear warmup, and online 1,000-bin histogram Quantile Balancing. MHA has eight Q/K/V Muon blocks; GQA has eight Q blocks and four K/V blocks. 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.md and VARIANT.md describe 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
dc1a3fd

0 моделей