/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
341 млн
Лицензия
Apache 2.0
Архитектура
gated_deltanet · dense
Библиотека
transformers
Опубликована
8 апр 2026

gated-deltanet-360M-15B-slimpajama

Генерация текстаТекст → текст3 профессии

Компактная языковая модель GatedDeltaNet, обученная с нуля на SlimPajama для генерации текста и исследовательских экспериментов.

294скачиваний за 30 дней0лайковвеса обновлены12 апр 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

GatedDeltaNet-360M-15B-SlimPajama — языковая модель puigde, обученная с нуля на 15 млрд токенов обучающей выборки SlimPajama. Она предназначена для генерации текста и исследовательских экспериментов с архитектурой GatedDeltaNet, сочетающей скалярное управление затуханием с delta rule для выборочной записи в память.

Модель содержит около 341 млн параметров по метаданным (357,8 млн по README), имеет 21 слой и скрытый размер 1024. Она использует плотную архитектуру GatedDeltaNet для причинного языкового моделирования, токенизатор Llama с словарём 32 000 токенов и контекст до 2048 токенов. Обучающие данные — SlimPajama; карточка указывает английский язык.

Модель подходит для экспериментов по генерации текста и оценки компактных языковых моделей. В README приведены результаты zero-shot тестов и оценки RULER на контексте 2k. Разработчик указывает, что модель предназначена только для исследований, а не для промышленного применения. Лицензия — Apache-2.0.

Сценарии применения

  • генерация продолжений текста
  • эксперименты с линейным вниманием и архитектурой GatedDeltaNet
  • сравнение компактных языковых моделей на языковых бенчмарках

Ограничения

Разработчик не рекомендует применять модель в производстве; контекст ограничен 2048 токенами. Приведённые в README результаты оценки относятся к zero-shot тестам и не гарантируют качество в прикладных сценариях.

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

GatedDeltaNet-360M-15B-SlimPajama

This model is for research purposes only and is not intended for production use.

A GatedDeltaNet language model (357.8M parameters) pretrained from scratch on 15B tokens from SlimPajama.

GatedDeltaNet combines scalar decay gating with the delta rule for selective memory writing. See Yang et al., 2024.

Trained with flash-linear-attention and Flame.

Usage

Requires: pip install flash-linear-attention

import torch
import fla.models  # registers GatedDeltaNet with HuggingFace Auto classes

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "puigde/gated-deltanet-360M-15B-slimpajama",
    trust_remote_code=True,
    torch_dtype=torch.bfloat16,
).cuda()
tokenizer = AutoTokenizer.from_pretrained(
    "puigde/gated-deltanet-360M-15B-slimpajama"
)

inputs = tokenizer("The capital of France is", return_tensors="pt").to("cuda")
output = model.generate(**inputs, max_new_tokens=50, do_sample=False)
print(tokenizer.decode(output[0], skip_special_tokens=True))

The import fla.models line registers the GatedDeltaNet architecture with HuggingFace's Auto classes. Without it, from_pretrained will fail with an unknown model type error.

Architecture

Based on the Flame gated_deltanet_340M.json config with two modifications: expand_v=1 (vs 2) and num_heads=4 (vs 6), which reduces the parameter count from ~460M to 358M.

Parameters357,781,928
Layers21
Hidden size1,024
Heads4
Head dim256
expand_v1
FFNSwiGLU, 4x (intermediate 4,096)
Vocab size32,000
Context length2,048

Training

Datasetcerebras/SlimPajama-627B, train split
Tokens15,032,385,536
Steps28,672
Batch size256 sequences (16/GPU x 8 GPUs x 2 grad accum)
Sequence length2,048
OptimizerAdamW (fused), betas=(0.9, 0.95), eps=1e-15
Learning rate4e-4 peak, cosine to 4e-5
Warmup1,024 steps
Weight decay0.1
Gradient clipping1.0
Precisionbfloat16 compute, float32 reduce
Hardware8x NVIDIA A100-SXM4-40GB
Training time~9.3 hours
Final loss2.509
Seed42

Tokenizer: LlamaTokenizer (from fla-hub/gla-1.3B-100B), vocab 32,000.

Evaluation

Zero-shot, lm-evaluation-harness:

BenchmarkMetricScore
HellaSwagacc_norm35.3
PIQAacc_norm65.3
ARC-Easyacc46.3
ARC-Challengeacc_norm23.3
WinoGrandeacc49.5
LAMBADAacc32.3
BoolQacc57.9
COPAacc70.0
SciQacc78.8
WikiText-2word_ppl27.6

RULER (2k context): S1=1.00, S2=1.00, S3=0.66, MK1=0.32, avg=0.75.

Citation

@article{yang2024gateddeltanet,
  title={Gated Delta Networks: Improving Mamba2 with Delta Rule},
  author={Yang, Songlin and Keller, Jan and Wang, Bailin and others},
  journal={arXiv preprint arXiv:2412.06464},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура gated_deltanet неизвестна transformers в образе рантайма.

Класс архитектуры
GatedDeltaNetForCausalLM
Ревизия весов
1d1a7bf

0 моделей