/ Модель

Характеристики

Лицензия
MIT
Архитектура
nanogpt · dense
Библиотека
transformers
Опубликована
10 сен 2026

attnres4babylm2026-10m-l16-dynamic-s1337

Генерация текстаТекст → текст3 профессии

Экспериментальная англоязычная причинная языковая модель на 10 млн слов BabyLM для исследований маршрутизации по глубине и генерации текста.

87скачиваний за 30 дней0лайковвеса обновлены11 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

ypwhere разработал эту причинную языковую модель для исследования языкового моделирования на ограниченных данных и маршрутизации вычислений по глубине сети в рамках BabyLM 2026. Она обучена на официальном обучающем разбиении BabyLM объёмом 10 млн слов; это предварительно обученная модель продолжения текста, а не чат-модель, настроенная на инструкции.

Модель использует архитектуру Block Attention Residuals: каждый целевой подслой вычисляет зависящие от входа softmax-веса для представлений из разных глубин, а завершённые остаточные блоки служат дополнительными источниками. В общей основе — 16 слоёв, скрытый размер 512, RMSNorm, SwiGLU, вращательные позиционные эмбеддинги, gated attention и связанные входные и выходные эмбеддинги. Модель принимает текстовые последовательности длиной до 512 токенов и выдаёт оценки следующих токенов для генерации или причинного скоринга. В README указан английский язык. Веса доступны в формате safetensors, лицензия — MIT.

Модель предназначена прежде всего для исследовательских сравнений архитектур и экспериментов с языковыми моделями при малом объёме обучающих данных. Ограниченный контекст, небольшой размер и отсутствие эффективного KV-кэша ограничивают её практическое применение и скорость генерации; она не предназначена для диалогов по инструкциям.

Сценарии применения

  • сравнение архитектур языковых моделей на ограниченных данных
  • исследование маршрутизации представлений по глубине сети
  • эксперименты с генерацией английского текста
  • оценка причинного скоринга языковых моделей
  • воспроизведение экспериментов BabyLM 2026

Ограничения

Контекст ограничен 512 токенами; модель не является чат-моделью, настроенной на инструкции, и не имеет эффективного KV-кэша для генерации.

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

Block Attention Residuals · 10M · 16 layers · seed 1337

This model accompanies What Does Input-Dependent Depth Routing Buy in Data-Limited Language Modeling? for BabyLM 2026. It is a causal language model trained on the official BabyLM 10M-word training split, intended for research on language modeling with limited data and depth routing.

Each target sublayer computes input-dependent softmax weights over depth-wise source representations. Completed residual blocks provide additional sources.

All 21 models

Code and reproduction instructions

Architecture

SettingValue
ArchitectureBlock Attention Residuals
Transformer layers16
Hidden size512
Attention heads8
Parameters62,244,352
Vocabulary16,000 byte-level BPE tokens
Context length512 tokens
Checkpoint precisionfloat32
Residual block size4 sublayers

The shared backbone uses RMSNorm, SwiGLU, rotary positional embeddings, gated attention, and tied input/output embeddings.

Training

SettingValue
Training trackBabyLM 10M words
Optimizer updates471
Seed1337
Tokens per optimizer update262,144
OptimizerAdamW
Training dropout0.1
Total training tokens processed123,469,824
Total training words processed90,343,884

The training track denotes the size of the source corpus; training revisits that corpus. Dev and test data use the official independent splits. The tokenizer used during training is included in this repository.

Load with Transformers

Tested with Transformers 4.51.3 and PyTorch 2.7.x. The repository includes the model implementation, loaded with trust_remote_code=True.

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "ypwhere/attnres4babylm2026-10m-l16-dynamic-s1337"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id, trust_remote_code=True
).eval()

inputs = tokenizer("The child reads a book", return_tensors="pt")
with torch.no_grad():
    logits = model(**inputs).logits
next_token = logits[0, -1].argmax().item()
print(tokenizer.decode([next_token]))

Keep inputs within 512 tokens. The implementation supports causal scoring and generation without an efficient KV cache. This is a pretrained language model rather than an instruction-tuned chat model.

Evaluation

The paper uses the BabyLM evaluator at commit 3d57ddc. Comparisons across evaluator versions may differ because of changes to datasets or scoring. The accompanying model collection includes the paired architectures and seeds used for those comparisons.

Verify downloaded files

SHA256SUMS lists one SHA256 digest and its exact filename per line. The weights are stored in model.safetensors; the entry for that filename checks the downloaded weights. Other entries check the configuration, tokenizer, model code, and license files individually. From the downloaded model directory, run:

sha256sum -c SHA256SUMS       # Linux
# macOS: shasum -a 256 -c SHA256SUMS

An OK result for each file confirms that it matches this model package. Download all files from the same repository revision when checking the hashes.

License

Model weights and accompanying code are released under the MIT license. The model implementation builds on nanoGPT.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
NanoGPTForCausalLM
Ревизия весов
35c6d13

0 моделей