Skip to content
Other

RMSN-199M-DeepTail-Casimir-r16-Base

экспериментальная языковая модель на базе физической динамики

2 min readupdated

Базовая языковая модель на 199 миллионов параметров от лаборатории DuoNeural, построенная не на классическом трансформере, а на экспериментальной архитектуре RMSN (Resonant Metriplectic Sheaf Network — резонансная метриплектическая пучковая сеть). Она решает задачу языкового моделирования, используя математический аппарат гамильтоновых систем, геометрическую алгебру Клиффорда и теорию пучков. Модель выступает второй частью парного эксперимента по проверке закона граничной сходимости Казимира и отличается лучшими показателями пошагового рассуждения (Chain-of-Thought) среди всех базовых моделей семейства RMSN. Подойдёт исследователям нестандартных архитектур нейросетей и тем, кто изучает альтернативы стандартным трансформерам.

Ключевые особенности

  • Нестандартная архитектура: объединяет порт-гамильтонову динамику, смешивание слоёв через геометрическую алгебру Клиффорда, дробную память Капуто и считывание на основе тензора энергии-импульса Нётер.
  • Топология Deep Tail: отталкивающее граничное условие Казимира (r=16) работает как топологическое сито, направляя энергию конденсации в глубокие слои (7 солитонов в слоях L9–L15 с фиксацией терминального горизонта на последнем слое).
  • Двойной колебательный каскад: в отличие от модели с параметром r=0, здесь наблюдаются две волны конденсации (на шагах 97 700 и 99 100), причём вторая волна оказывается сильнее первой.
  • Фокус на рассуждениях: показывает лучший результат перплексии на задачах Chain-of-Thought среди всех базовых моделей линейки RMSN (CoT ppl = 3321 против 3761 у парной версии r=0).

Что можно сделать

  • Сравнить поведение и внутреннюю динамику слоёв с парным чекпоинтом RMSN-199M-DeepSpine-Casimir-r0-Base, чтобы изучить влияние граничных условий на способность к рассуждениям и удержанию знаний.
  • Использовать чекпоинт как исследовательскую базу для экспериментов с альтернативными архитектурами языкового моделирования (для запуска потребуется код класса модели из репозитория DuoNeural/RMSN на GitHub).
  • Протестировать генерацию текста на английском языке и оценку перплексии с использованием стандартного токенизатора HuggingFaceTB/cosmo2-tokenizer.

Пример

import torch
from transformers import AutoTokenizer

ckpt = torch.load("rmsn_best.pt", map_location="cpu")
# See DuoNeural/RMSN GitHub for model class + inference code
ПодробнееПараметры и структура: ~199M параметров, размерность 1040, глубина 16 слоёв, 64 слота.
Обучение: 100 000 шагов на датасете wikitext-103, токенизатор HuggingFaceTB/cosmo2-tokenizer (словарь 49 152 токена).
Метрики: val_ppl = 69.69, wiki_ppl = 75.66, CoT ppl = 3321.
Ограничения: в репозитории лежат веса PyTorch (rmsn_best.pt), для инференса нужно отдельно взять код архитектуры из GitHub DuoNeural/RMSN; поддерживается только английский язык.
Discuss Telegram 0 23

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 0.7 GB · ready files1.3 GB
  • FP8 / INT8recommendedweights 0.4 GB0.9 GB
  • 4-bitweights 0.2 GB0.7 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · BF16 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # DuoNeural/RMSN-199M-DeepTail-Casimir-r16-Base
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download DuoNeural/RMSN-199M-DeepTail-Casimir-r16-Base --local-dir ~/models/RMSN-199M-DeepTail-Casimir-r16-Base
    # The model is in ~/models. How to run it is in the model card (link above).
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of RMSN-199M-DeepTail-Casimir-r16-Base (quants, finetunes, LoRAs) will show up under the bell.

No known relatives of this model yet. All derivatives on Hugging Face

About the model

DuoNeural/RMSN-199M-DeepTail-Casimir-r16-Base
Author
DuoNeural
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

230

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments

Other

VoxScout

VoxScout