/ Модель

Характеристики

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

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

Генерация текстаТекст → текст3 профессии

Небольшая текстовая предобученная модель Mini-K3 для генерации продолжения текста и исследовательского сравнения стандартного MHA с другими вариантами внимания.

3 073скачиваний за 30 дней0лайковвеса 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-mha-standard-v1 — текстовая авторегрессионная модель семейства Mini-K3, опубликованная как исследовательский контроль для сравнения механизмов внимания. Это не официальная модель Meta Llama. Модель построена как декодер на 13 слоях со стандартным multi-head attention: 8 голов Q и KV шириной 128, RoPE и стандартными PreNorm-остаточными связями. В архитектуре также используются смесь экспертов Stable LatentMoE и один плотный слой перед MoE. В метаданных указано 385,9 млн параметров; карточка описывает 979 928 832 логических параметра и 316 704 512 активируемых на токен. Контекст составляет 131 072 токена, а обучение проводилось на последовательностях длиной 8 192 токена.

Модель предназначена для продолжения текста и экспериментов с архитектурой внимания, а не для диалогового следования инструкциям: после предобучения дополнительного обучения не было, downstream-оценки не проводились. Карточка указывает, что это промежуточный исследовательский чекпойнт; возможны неточные, предвзятые, небезопасные и повторяющиеся ответы. Лицензия в предоставленных данных не указана; датасеты не распространяются вместе с моделью и сохраняют собственные условия использования.

Сценарии применения

  • генерация продолжения текста
  • эксперименты со стандартным multi-head attention
  • сравнение архитектур механизмов внимания
  • исследование языкового моделирования с MoE

Ограничения

Это промежуточный исследовательский чекпойнт, обученный только предобучением; он не предназначен для следования инструкциям и не оценён на downstream-задачах. Возможны неточные, предвзятые, небезопасные или повторяющиеся ответы; рейтинг архитектур по результатам модели такого масштаба нельзя уверенно переносить на более крупные модели.

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-mha-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 MHA
  • Hidden width / Q heads / KV heads / head width: 1024 / 8 / 8 / 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: 979,928,832
  • Activated parameters per token: 316,704,512
  • 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
ed404b3

0 моделей