/ Модель

Характеристики

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

Mini-K3-1H-mamba2-n64-g4-v1_B

Генерация текстаТекст → текст3 профессии

Исследовательский текстовый checkpoint Mini-K3 с заменой девяти KDA-слоёв на Mamba-2/SSD для генерации текста и изучения архитектурных абляций.

1 924скачиваний за 30 дней0лайковвеса обновлены24 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-mamba2-n64-g4-v1_B — текстовая исследовательская модель семейства Mini-K3, представленная автором репозитория nkkbr. Это checkpoint для генерации продолжения текста, а не готовый диалоговый помощник: после предварительного обучения он не проходил дополнительную настройку для инструкций. В архитектуре из 13 декодерных слоёв девять KDA-микшеров заменены на Mamba-2/SSD, а четыре слоя сохраняют Gated MLA с позиционным режимом NoPE. Также используются MoE с 64 маршрутизируемыми экспертами и top-k 4, ширина скрытого состояния 1024 и словарь на 163 840 токенов. В метаданных указано 385,9 млн параметров; README отдельно приводит около 1,005 млрд логических параметров и около 341 млн активных параметров.

Модель обучена на 16 млрд целевых токенов, с длиной обучающих последовательностей 8 192; заявленный нативный контекст — 131 072 токена. Репозиторий описывает её как абляцию архитектуры Mini-K3, а не воспроизведение графика блоков NVIDIA Nemotron. Она предназначена для исследований генеративных архитектур и сравнения Mamba-2 с базовой конфигурацией Mini-K3. Автор сообщает о проверках изоляции упакованных документов и обучающих обновлений; перенос результатов на более крупные модели и другие настройки требует подтверждения. В README лицензия не указана.

Сценарии применения

  • генерация продолжения текста
  • исследование сочетания Mamba-2 и MLA в языковой модели
  • сравнение архитектурных абляций на базе Mini-K3
  • изучение MoE-моделей для причинной генерации текста

Ограничения

Это небольшой предварительно обученный исследовательский checkpoint без настройки для выполнения инструкций; результаты при таком размере, составе данных и длине обучающих последовательностей нельзя напрямую переносить на крупные модели. Лицензия в README не указана.

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-mamba2-n64-g4

This is a text-only Mini-K3-1H research checkpoint. Nine KDA sequence mixers have been replaced with Mamba-2/SSD mixers. The four NoPE Gated MLA layers, Stable LatentMoE, Block-4 Attention Residuals, tokenizer, and untied language model head retain the baseline Mini-K3-1H design. This is an ablation within the Mini-K3 backbone, not a reproduction of NVIDIA Nemotron's block schedule.

Architecture

  • Hidden width / decoder layers: 1024 / 13
  • Mamba-2 layer indices: [1, 2, 3, 5, 6, 7, 9, 10, 11]; Gated MLA layer indices: [4, 8, 12, 13]
  • Mamba-2: expansion 2, 32 heads × 64 channels, state dimension 64, B/C groups 4, causal depthwise-convolution kernel 4
  • MLA positional mode: NoPE; output gate retained
  • Routed / shared experts, top-k: 64 / 2 / 4
  • Logical / project-defined active parameters: 1,004,532,064 / 341,307,744
  • Vocabulary / BOS / EOS / PAD: 163840 / 163584 / 163586 / 163839

Checkpoint and training

  • Immutable revision: checkpoint-tokens-016000000000-final
  • Valid next-token targets consumed: 16,000,000,000
  • Optimizer steps: 24,415
  • Training sequence length: 8,192; local/global batch: 5/80
  • Main parameter dtype: BF16; Mamba control parameters and router controls: FP32 where defined
  • Optimizer state: not published

Every run begins with a randomly initialized checkpoint at token zero. The intermediate checkpoints are at 0.5B, 1B, 2B, 4B, 8B, and 12B valid targets. The final checkpoint tag is checkpoint-tokens-016000000000-final, created only after exactly 16,000,000,000 targets and final validation. No post-training is included.

All four Mamba variants and the Mini-K3-1H reference use the same frozen tokenized mixture schedule, data order, seed, and common parameter initialization rule. Shared parameters with identical semantic names and shapes start identically. Mamba's new joint projections and state controls are independently but deterministically initialized. The optimizer uses Muon for matrix parameters and AdamW fallback; Mamba A_log, D, and dt_bias are exempt from weight decay, as recorded in the recipe.

Packed documents are causally isolated. MLA uses document-specific causal attention. Mamba-2 receives the same indexed document IDs in both its causal convolution and SSD scan, which resets convolution history and recurrent state flow at every document boundary. The gate verifies that a loss on a later document produces exactly zero gradient on earlier-document inputs. Packed and separately launched documents may differ by a few BF16 ULPs because the fused FP32 prefix reductions use a different reduction tree; the measured difference is bounded by 0.03125 and does not create an information or gradient path across documents. All four variants passed multi-boundary, multi-seed isolation tests, a full-model fused-kernel gate, and three consecutive real 8K/B5 optimizer updates before formal training. The exact gate records and source/recipe manifests are included in training/.

Files and loading

model.safetensors follows the standalone parameter schema in this repository. The bundled config.json, configuration_mini_k3.py, modeling_mini_k3.py, mamba2_mixer.py, and tokenizer files independently define the model and can randomly initialize it without the training checkout. The portable Mamba forward path is a differentiable reference; the separate training system uses the pinned fused SSD kernel after validation.

Training-time NLL/perplexity and source-level diagnostics are in the run logs. This is a small pretrained research proxy, not an instruction-tuned assistant. Results at this size, data mix, and 8K row length need confirmation before extrapolating to full Kimi-K3 or other Mamba systems.

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
2b497c1

0 моделей