File size: 9,042 Bytes
5fbfb55 2b839f9 5fbfb55 f766c09 2b839f9 b2e676c 2b839f9 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 | ---
license: apache-2.0
datasets:
- krplt/ru-fictext-nsfw
- MarkProMaster229/taiga_proza_small
language:
- ru
pipeline_tag: text-generation
tags:
- russian
- pretrained
- language-model
- mamba
- attention
- gqa
- hybrid
- causal-lm
- text-generation
- from-scratch
- small-language-model
- research
---
# Big-CoMAttn
Небольшая-предтрен языковая модель на русском языке, обученная с нуля на экспериментальной - гибридной архитектуре Mamba + Attention.
## Архитектура
Гибридная архитектура,Mamba (State Space Model)aceGrouped Query Attention (GQA)tion (GQA)**. Общая схема:
```
┌────────────────────────────────────────────────────┐
│ Layer 1: MambaBlock │
│ LayerNorm → Mamba │
├────────────────────────────────────────────────────┤
│ Layer 2: TransformerBlockBig │
│ LayerNorm → GQA Attention │
│ LayerNorm → MLP (6×) │
├────────────────────────────────────────────────────┤
│ Layer 3: MambaBlock │
│ LayerNorm → Mamba │
├────────────────────────────────────────────────────┤
│ Layer 4: MambaBlock │
│ LayerNorm → Mamba │
├────────────────────────────────────────────────────┤
│ Layer 5: AttnMambaBlock │
│ LayerNorm → GQA Attention │
│ LayerNorm → Mamba │
├────────────────────────────────────────────────────┤
│ Layer 6: MambaBlock │
│ LayerNorm → Mamba │
├────────────────────────────────────────────────────┤
│ Layer 7: MambaBlock │
│ LayerNorm → Mamba │
├────────────────────────────────────────────────────┤
│ Layer 8: FinalBlock │
│ LayerNorm → GQA Attention │
│ LayerNorm → MLP (2×) │
└────────────────────────────────────────────────────┘
```
lm_head.weight толстенький пирожок 31% от всей модели что было ошибкой, в последствии стоит использовать свой токенизатор.
tying - многократно ухудшал результаты было принято решение отказаться.
### Mamba
Все Mamba-слои используют одинаковые параметры:
Mamba(
d_model=512,
d_state=16,
d_conv=4,
expand=2,
)
Grouped Query Attention (GQA)
Все attention-слои используют GQA с отвязанным head_dim:
GQAAttention(
d_model=512,
n_heads_q=16,
n_heads_kv=4, # GQA ratio = 4:1
head_dim=64, # отвязано от d_model // n_heads_q
dropout=0.1,
)
Используется F.scaled_dot_product_attention с broadcasting для GQA (без repeat_interleave — без копий K/V).
MLP
· Слой 2: Linear(512 → 3072) → GELU → Linear(3072 → 512) — 6×
· Слой 8: Linear(512 → 1024) → GELU → Linear(1024 → 512) — 2×
Узкий MLP в финальном слое выбран намеренно(эмпирически): на выходе модели нужна только нелинейность.
Инициализация
GPT-стиль инициализации (N(0, 0.02)) - Attention.
### Пример использования
```python
import os
os.environ["TOKENIZERS_PARALLELISM"] = "false"
import torch
import torch.nn.functional as F
from huggingface_hub import snapshot_download
from safetensors.torch import load_file
from transformers import AutoTokenizer
from mambaMain import build_model
REPO_ID = "algorithms-learning/Big-CoMAttn"
CACHE_DIR = "./hf_cache"
DEVICE = "cuda" if torch.cuda.is_available() else "cpu"
TEMPERATURE = 0.3
TOP_K = 50
TOP_P = 0.95
REPETITION_PENALTY = 1.2
MAX_NEW_TOKENS = 150
def download_model(repo_id=REPO_ID, cache_dir=CACHE_DIR):
path = snapshot_download(
repo_id=repo_id,
cache_dir=cache_dir,
allow_patterns=[
"*.safetensors",
"*.json",
"*.model",
"README.md",
],
)
return path
def load_model_and_tokenizer(model_dir):
tokenizer = AutoTokenizer.from_pretrained(model_dir)
tokenizer.pad_token = tokenizer.eos_token
print(f"Tokenizer loaded. Vocab: {len(tokenizer)}")
model = build_model(len(tokenizer), config={
"d_model": 512,
"max_len": 1024,
"n_heads_q": 16,
"n_heads_kv": 4,
"head_dim": 64,
"dropout": 0.1,
}).to(DEVICE)
state_dict = load_file(
os.path.join(model_dir, "model.safetensors"),
device=DEVICE,
)
model.load_state_dict(state_dict)
model.eval()
n_params = sum(p.numel() for p in model.parameters())
print(f"Model loaded. Params: {n_params/1e6:.2f}M")
return model, tokenizer
def generate(model, tokenizer, prompt,
max_new_tokens=MAX_NEW_TOKENS,
temperature=TEMPERATURE,
top_k=TOP_K, top_p=TOP_P,
rep_penalty=REPETITION_PENALTY):
"""Sampling: temperature + top-k + top-p + repetition penalty."""
ids = tokenizer.encode(prompt, return_tensors="pt").to(DEVICE)
with torch.no_grad():
for _ in range(max_new_tokens):
input_ids = ids[:, -1024:]
logits = model(input_ids)[:, -1, :].float()
if rep_penalty != 1.0:
for token_id in set(ids[0, -50:].tolist()):
if logits[0, token_id] > 0:
logits[0, token_id] /= rep_penalty
else:
logits[0, token_id] *= rep_penalty
logits = logits / temperature
if top_k > 0:
top_k_vals, _ = torch.topk(logits, top_k)
min_val = top_k_vals[0, -1]
logits[logits < min_val] = float("-inf")
if top_p < 1.0:
sorted_logits, sorted_idx = torch.sort(logits, descending=True)
probs = F.softmax(sorted_logits, dim=-1)
cum_probs = torch.cumsum(probs, dim=-1)
sorted_mask = cum_probs > top_p
sorted_mask[..., 1:] = sorted_mask[..., :-1].clone()
sorted_mask[..., 0] = False
indices_to_remove = sorted_mask.scatter(1, sorted_idx, sorted_mask)
logits[indices_to_remove] = float("-inf")
probs = F.softmax(logits, dim=-1)
next_token = torch.multinomial(probs, num_samples=1)
ids = torch.cat([ids, next_token], dim=1)
if next_token.item() == tokenizer.eos_token_id:
break
return tokenizer.decode(ids[0], skip_special_tokens=True)
def main():
model_dir = download_model()
print(f"Model dir: {model_dir}\n")
model, tokenizer = load_model_and_tokenizer(model_dir)
print()
prompts = [
"В твоей модели мира число звёзд бесконечно",
"Привет, как дела? Я хотел тебе сказать",
"Он посмотрел на неё и понял, что",
"Вчера в Москве произошло странное событие",
]
for i, p in enumerate(prompts, 1):
print("=" * 60)
print(f"[{i}] PROMPT: {p}")
print("-" * 60)
result = generate(model, tokenizer, p)
print(result)
print()
if __name__ == "__main__":
main()
``` |