/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,9 млрд
Лицензия
Apache 2.0
Архитектура
llama · dense
Библиотека
transformers
Опубликована
4 янв 2026

NOSA-8B

Генерация текстаТекст → текст4 профессии

NOSA-8B — 7,9-миллиардная модель OpenBMB с разреженным вниманием для ускоренной генерации в длинных контекстах и выгрузки KV-кэша.

273скачиваний за 30 дней11лайковвеса обновлены12 фев 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

NOSA-8B — модель семейства LLaMA с плотной базовой архитектурой и классом SparseLlamaForCausalLM, разработанная OpenBMB. Она использует обучаемый механизм разреженного внимания NOSA с ограничением локальности для выгрузки KV-кэша и предназначена для эффективной генерации в длинных контекстах. Для реализации ускоренного инференса авторы также описывают систему NOSI.

В репозитории представлены веса модели объёмом 7,9 млрд параметров. Максимальная длина контекста составляет 32 768 токенов; заявленная область применения — длинная генерация, а метаданные отмечают поддержку диалогового режима и английского и китайского языков. В README сообщается об ускорении декодирования до 5,04 раза относительно FullAttn, 1,92 раза относительно InfLLMv2 и 1,83 раза относительно ShadowKV на моделях размером 1B, 3B и 8B; это результаты авторов для их сравнений, а не гарантия ускорения в любой конфигурации.

Модель распространяется в формате PyTorch/SafeTensors по лицензии Apache-2.0. Для использования заявленной системы выгрузки KV-кэша и её преимуществ может потребоваться совместимый инференсный стек NOSI; подробности конфигурации и независимые результаты оценки в предоставленной карточке не приведены.

Сценарии применения

  • генерация продолжений для длинных текстовых запросов
  • диалоговая генерация ответов с длинным контекстом
  • инференс LLM с выгрузкой KV-кэша
  • ускорение декодирования при длинной генерации

Ограничения

Заявленные показатели ускорения зависят от условий сравнения и используемого инференсного стека. Предоставленные сведения не содержат подробных результатов независимой оценки качества и инструкций по настройке NOSI.

Для каких профессий подходит4

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

Boost Decoding Efficiency via High-Locality Offloading

Overview

NOSA is a trainable sparse attention mechanism designed for KV-cache offloading with an explicit locality constraint, paired with an inference system (NOSI) to realize its efficiency. It improves long-context/long-generation quality over prior offloading baselines while boosting decoding throughput by up to 5.04× vs FullAttn, 1.92× vs InfLLMv2, and 1.83× vs ShadowKV on 1B/3B/8B LLMs.

This repository contains the weights for the NOSA-3B model. For more details, please refer to the paper: NOSA: Native and Offloadable Sparse Attention.

Models

We train 1B, 3B, and 8B models (FullAttn, InfLLMv2, DMA, and NOSA), resulting in a total of 12 models. The following models have been released on Hugging Face:

ModelLink
NOSA-1BNOSA-1B
NOSA-3BNOSA-3B
NOSA-8BNOSA-8B

Please reach out to us if additional baseline models (FullAttn, InfLLMv2, or DMA) are needed. You may open an issue or contact us directly via email (our email addresses are provided in the paper).

Citation

@article{huang2025nosa,
  title={NOSA: Native and Offloadable Sparse Attention},
  author={Huang, Yuxiang and Wang, Pengjie and Han, Jicheng and Zhao, Weilin and Su, Zhou and Sun, Ao and Lyu, Hongya and Zhao, Hengyu and Wang, Yudong and Xiao, Chaojun and Han, Xu and Liu, Zhiyuan},
  journal={arXiv preprint arXiv:2510.13602},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
SparseLlamaForCausalLM
Ревизия весов
6da5609

0 моделей