/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,6 млрд
Размер весов
13,5 ГБ
Лицензия
Llama 2
Архитектура
llama · dense
Базовая модель
longchat-7b-v1.5-32k
Библиотека
transformers
Опубликована
4 авг 2026

longchat-7b-starkv-proxima

Генерация текстаТекст → текст3 профессии

Исследовательский чекпойнт LongChat-7B с низкоранговым сжатием KV-кэша STAR-KV для экспериментов с генерацией текста при длинном контексте.

27скачиваний за 30 дней1лайквеса обновлены8 авг 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

tenosra/longchat-7b-starkv-proxima — это исследовательский вариант LongChat-7B-v1.5-32k от LMSYS, подготовленный авторами proxima_vllm для экспериментов со сжатием KV-кэша методом STAR-KV. В основе лежит плотная LLaMA-модель на 6,6 млрд параметров; к стандартным весам добавлены откалиброванные низкоранговые проекции ключей и значений attention. Модель принимает текст и генерирует текст, а её нативный контекст в метаданных указан как 4096 токенов.

Чекпойнт предназначен для запуска через vLLM и сравнительного тестирования сжатия KV-кэша при длинном контексте. Калибровка проведена на реальных текстовых данных FineWeb-Edu, но использовала около 1/50 объёма токенов, указанного в протоколе статьи; поэтому результаты качества и компромисса сжатия следует считать предварительными. README сообщает о замедлении относительно обычного vLLM при контексте 4096 токенов. Лицензия — Llama 2; применяйте модель в соответствии с её условиями.

Сценарии применения

  • сравнение сжатия KV-кэша в vLLM
  • бенчмаркинг генерации текста с длинным контекстом
  • измерение скорости декодирования при разных профилях STAR-KV

Ограничения

Калибровка выполнена на существенно меньшем объёме данных, чем в протоколе статьи, поэтому результаты качества и сжатия предварительны. В README указано, что при контексте 4096 токенов модель работала медленнее обычного vLLM.

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

longchat-7b-starkv-proxima

STAR-KV checkpoint: lmsys/longchat-7b-v1.5-32k with attention K/V weights calibrated + fused into a low-rank form for KV-cache compression, produced by proxima_vllm (STAR-KV method).

What's different from the base model

Standard LongChat weights, plus a star_kv/ directory: weights.safetensors (fused low-rank K/V projections) and star_kv_config.json. config.json architecture set to ProximaStarKVLlamaForCausalLM. Directory loads directly as vLLM model= argument via additional_config.proxima_vllm.checkpoint.

Calibration recipe

  • Base model: lmsys/longchat-7b-v1.5-32k
  • Method: activation collection on K/V projections + distillation into low-rank basis, max_rank_k=64, max_rank_v=64, sharpness=10.0, mixed-precision fusion (top_fraction=0.25, top_bits=4, bottom_bits=3)
  • Calibration data: real text, HuggingFaceFW/fineweb-edu (CC-MAIN-2013-20 shard)
  • Active profile: balanced (gamma=1e-3); aggressive (gamma=5e-3) and conservative (gamma=2e-4) profiles also independently calibrated and included in checkpoint
  • Samples: 64 sequences x 256 tokens, batch size 2, 1 epoch

Deviation from paper (disclosed): paper calibrates on 3000 FineWeb-Edu samples x 2048 tokens (~6 GPU-hours, 8B model). This checkpoint uses a scaled-down real-(not-synthetic)-text run (~1/50th token volume) for single-session feasibility on one L4 GPU. Results should be read with that caveat — this is not a paper-scale calibration.

Benchmark results (measured, this checkpoint)

End-to-end vs plain vLLM (post-prefill-kernel-fix, 2026-08-06):

  • 4096 ctx: 1.65x slower / 177.3 tok/s, 3.11x more KV blocks used
  • 32768 ctx: 178.6 tok/s (STAR-KV-only run, requires gpu_memory_utilization=0.83, not 0.85)

Kernel-level:

  • Decode: 1.42-1.46x vs FlashAttention-2 at batch>=16
  • Prefill: 0.5-0.86x of FlashAttention-2, but 1.2-1.4x over this repo's own decode kernel

Usage

from vllm import LLM

llm = LLM(
    model="tenosra/longchat-7b-starkv-proxima",
    additional_config={"proxima_vllm": {"checkpoint": True}},
)

Intended use / limitations

Research checkpoint for benchmarking KV-cache compression at long context. Calibration sample count is far below the paper's protocol (see deviation note above) — treat compression/quality tradeoff numbers as directional, not final.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
ProximaStarKVLlamaForCausalLM
Ревизия весов
7d6195c

0 моделей