/ Модель

Характеристики

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

attnres4babylm2026-10m-l16-dynamic-s1339

Генерация текстаТекст → текст3 профессии

Экспериментальная каузальная языковая модель NanoGPT для изучения языкового моделирования на ограниченных данных и маршрутизации по глубине в BabyLM 2026.

85скачиваний 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

Это каузальная языковая модель ypwhere для экспериментов по языковому моделированию на ограниченных данных в рамках BabyLM 2026. Она предназначена для исследовательской оценки маршрутизации вычислений по глубине сети и обучена на официальном обучающем наборе BabyLM объёмом 10 млн слов. Модель не настроена для диалога по инструкциям.

Архитектура Block Attention Residuals построена на NanoGPT: 16 слоёв трансформера, скрытый размер 512, RMSNorm, SwiGLU, rotary positional embeddings, gated attention и связанные входные и выходные эмбеддинги. Каждый целевой подслой вычисляет зависящие от входа веса softmax для выбора представлений из разных уровней глубины; завершённые residual-блоки также доступны как источники. Модель поддерживает генерацию и каузальное оценивание текста, а вход следует ограничивать 512 токенами. Для загрузки используется Transformers с пользовательским кодом репозитория; эффективный KV-кэш не поддерживается.

Модель работает с английским текстом и распространяется под лицензией MIT. Она ориентирована на эксперименты с языковыми моделями малого масштаба и ограниченным обучающим корпусом; практические возможности за пределами описанных сценариев BabyLM не заявлены.

Сценарии применения

  • генерация английского текста для экспериментов BabyLM
  • оценка каузальных языковых моделей на ограниченном корпусе
  • исследование маршрутизации представлений по глубине трансформера

Ограничения

Модель не настроена для выполнения инструкций или диалогового общения; входы следует ограничивать 512 токенами. Эффективный KV-кэш не поддерживается.

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 1339

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
Seed1339
Tokens per optimizer update262,144
OptimizerAdamW
Training dropout0.1
Total training tokens processed123,469,824
Total training words processed90,344,443

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-s1339"
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
2cb7c4a

0 моделей