/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
3,8 млрд
Размер весов
16,6 ГБ
Лицензия
MIT
Архитектура
phi3 · dense
Базовая модель
Phi-4-mini-instruct
Библиотека
transformers
Опубликована
26 сен 2026

Phi4_attn_residual

Генерация текстаТекст → текст3 профессии

Исследовательский вариант Phi-4-mini-instruct с межслойной маршрутизацией AttentionResidual для генерации текста и изучения поведения attention sinks.

844скачиваний за 30 дней1лайквеса обновлены1 окт 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

Phi4_attn_residual — исследовательский чекпойнт из коллекции OASIS, созданный на базе Microsoft Phi-4-mini-instruct. Это базовый вариант AttentionResidual: он использует стандартный softmax для внимания на уровне токенов и дополнительную маршрутизацию между слоями без null routing.

Модель предназначена для сравнения вариантов межслойной маршрутизации и изучения влияния attention sinks и выбросов активаций на стабильность инференса и устойчивость к квантованию. Чекпойнт содержит около 3,8 млрд параметров, рассчитан на контекст до 4096 токенов и хранится в формате Safetensors. Для корректного использования требуются код моделирования OASIS и загрузка дополнительных параметров AttentionResidual: стандартный AutoModelForCausalLM может молча отбросить их и не воспроизвести вариант модели.

Лицензия — MIT. Результаты и поведение этой экспериментальной архитектурной версии следует оценивать с учётом того, что она предназначена прежде всего для сравнительных исследований; карточка не приводит конкретных ограничений по языкам.

Сценарии применения

  • сравнение межслойной маршрутизации в языковых моделях
  • изучение влияния attention sinks на генерацию текста
  • анализ выбросов активаций при инференсе
  • оценка устойчивости модели к квантованию
  • экспериментальная генерация текста на базе Phi-4-mini-instruct

Ограничения

Для корректной работы необходим код моделирования OASIS: стандартная загрузка через AutoModelForCausalLM может отбросить дополнительные параметры и не воспроизвести AttentionResidual. Это исследовательский базовый вариант, предназначенный для сравнительных экспериментов.

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

Phi4_attn_residual

Vanilla AttnResidual baseline checkpoint built on Phi-4-mini-instruct: standard softmax + AttentionResidual (no null routing). Research checkpoint from the paper Attention Sinks and Outliers in Attention Residuals (OASIS), part of the OASIS collection.

Model summary

Base modelmicrosoft/Phi-4-mini-instruct
VariantVanilla AttnResidual baseline
Token-level attentionStandard softmax
Depth routingAttentionResidual
Null → depth coupling—
TrainingFine-tuned from Phi-4-mini-instruct (see the paper for the training setup)
Parameters4.14B (F32 + BF16)
Config classPhi3ForCausalLM
Licensemit (inherited from the base model)

About OASIS

AttnResidual architectures add a depth-wise normalization channel that improves inter-layer routing flexibility, but it also amplifies attention sinks, activation outliers, and the resulting loss of inference stability and quantization robustness. OASIS adds a Softmax1-based null space and couples token-level null evidence to depth routing through an inter-layer null signal, reducing sink-dominated routing. This repo is one arm of that comparison (OASIS, its ablations, and sink / vanilla baselines); see the table at the bottom for all variants.

Usage

⚠️ Weights only. The checkpoint contains extra AttentionResidual (and, where applicable, Softmax1 / sink) parameters that are not part of the stock Phi3ForCausalLM. Loading it with plain AutoModelForCausalLM silently drops those parameters and runs standard attention, so outputs will not reflect this variant. Build the model with the OASIS modeling code, then load the weights.

config.json still carries the base model's auto_map (configuration_phi3.py / modeling_phi3.py), but those files are not in this repo, so trust_remote_code=True currently fails and stock transformers falls back to the native Phi3ForCausalLM.

import glob, os, torch
from huggingface_hub import snapshot_download
from safetensors.torch import load_file
from transformers import AutoTokenizer

model_id = "robinzixuan/Phi4_attn_residual"
path = snapshot_download(model_id)
tokenizer = AutoTokenizer.from_pretrained(path)

state_dict = {}
for f in sorted(glob.glob(os.path.join(path, "*.safetensors"))):
    state_dict.update(load_file(f))

# TODO: replace with the model constructor from the OASIS codebase (variant="vanilla")
model = build_oasis_model(path, variant="vanilla")
missing, unexpected = model.load_state_dict(state_dict, strict=False)
assert not missing and not unexpected, (missing, unexpected)
model = model.to("cuda" if torch.cuda.is_available() else "cpu").eval()

inputs = tokenizer("Hello, ", return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=64)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

To see which parameters stock transformers would drop:

from transformers import AutoModelForCausalLM

_, info = AutoModelForCausalLM.from_pretrained("robinzixuan/Phi4_attn_residual", output_loading_info=True)
print(info["unexpected_keys"][:10])  # AttentionResidual / sink parameters ignored by Phi3ForCausalLM

Evaluation

all_results.json in this repo holds the evaluation perplexity and per-module activation statistics produced by the training/eval script. See the paper for the full attention-sink, outlier (‖·‖∞, kurtosis) and post-quantization (W8A8 / W4A4) comparisons across variants.

Base model

Architecture

  • config.json declares Phi3ForCausalLM with extra AttentionResidual modules; requires the OASIS modeling code (see Usage).

OASIS collection

ModelBaseVariantContext
Phi4_attn_residual (this model)Phi-4-mini-instructVanilla AttnResidual baselinestandard
Phi4_attn_OASISPhi-4-mini-instructOASISstandard
Phi4_attn_AoSPhi-4-mini-instructAoS (attention-only Softmax1)standard
qwen3-0.6b-oasisQwen3-0.6BOASISstandard
qwen3-0.6b-vanillaQwen3-0.6BVanilla AttnResidual baselinestandard
llama-3.2-1b-vanillaLlama-3.2-1BVanilla AttnResidual baselinestandard
llama-3.2-1b-oasisLlama-3.2-1BOASISstandard
oasis_llama3.2_1b_6kLlama-3.2-1BOASIS6k
vanilla_llama3.2_1b_6kLlama-3.2-1BVanilla AttnResidual baseline6k
oasis_qwen3_0.6b_6kQwen3-0.6BOASIS6k
vanilla_qwen3_0.6b_6kQwen3-0.6BVanilla AttnResidual baseline6k
sink_logit_llama3.2_1bLlama-3.2-1BSink baseline S1 (sink logit)6k
sink_token_llama3.2_1bLlama-3.2-1BSink baseline S2 (prefix sink)6k
s0_softmax1_noroute_llama3.2_1bLlama-3.2-1BAblation S0 (Softmax1, no routing)6k

Citation

@article{luo2026oasis,
  title   = {Attention Sinks and Outliers in Attention Residuals},
  author  = {Luo, Haozheng and Dai, Haoran and Zhang, Shaoyang and Chen, Xi and
             Jiang, Eric Hanchen and Li, Yijiang and Huang, Jingyuan and Qiu, Chenghao and
             Xu, Chenwei and Pan, Zhenyu and Zhang, Haotian and Wang, Binghui and Chen, Yan},
  journal = {arXiv preprint arXiv:2605.17887},
  year    = {2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Phi3ForCausalLM
Ревизия весов
aa6f32e

0 моделей