DWSLM-256M-Base-32K
компактная LLM с нуля и контекстом 32K
2 min readupdated
Базовая языковая модель от DWS Research, обученная полностью с нуля — на собственном корпусе, токенизаторе и коде обучения без использования чужих предобученных весов. Она умеет продолжать текст и код на английском и ещё 16 языках, включая русский, а версия 32K расширяет контекстное окно с 4 096 до 32 768 токенов за счёт дообучения методом YaRN ×8 (масштабирование позиционных кодировок для длинных текстов). В основе лежит гибридная архитектура на 20 слоёв, сочетающая линейное внимание Kimi Delta Attention и глобальное внимание, где 286M активных вычислительных параметров дополняются 369M параметров таблиц эмбеддингов (итого 655M в файле). Модель ориентирована на исследователей и разработчиков, которым нужна открытая, воспроизводимая база для экспериментов с длинным контекстом и дообучения (SFT).
Ключевые особенности
- Гибридная архитектура на 20 слоёв: 15 локальных слоёв Kimi Delta Attention с линейной сложностью по длине и 5 глобальных слоёв grouped-query attention с LeRoPE.
- Контекст 32 768 токенов: расширен с 4K до 32K на 500M токенов длинных документов (от 16K токенов) без просадки качества на коротких текстах.
- Полностью открытый стек (Apache-2.0): обучение с нуля на 24,11B токенов из 18 открытых источников с оптимизатором MuonH, мастер-веса в fp32 готовы к дообучению.
- Мультиязычность и код: поддерживает 17 языков (включая русский, английский, китайский, немецкий) и программный код через байтовый BPE-токенизатор на 32 768 токенов.
Что можно сделать
- Изучать гибридные архитектуры и длинный контекст: тестировать поведение линейного внимания и YaRN на документах до 32K токенов, опираясь на подробный отчёт авторов.
- Дообучить под свои задачи (Fine-tuning): взять fp32 мастер-веса как чистую базу для SFT (инструктивного дообучения) или классификации вариантов ответа через подсчёт лог-вероятностей в
next_logits. - Генерировать и продолжать текст или код: использовать для автодополнения фрагментов кода и текстов без встроенных фильтров цензуры.
Пример
from dwslm import load, next_logits, EOS_ID
model, tok = load(".")
ids = [EOS_ID] + tok.encode("The capital of France is").ids
logits = next_logits(model, [ids])
print(tok.decode([int(logits[0].argmax())]))
Подробнее
Бенчмарки (zero-shot cloze): среднее по 6 задачам — 0.407 (PIQA 0.615, WinoGrande 0.507, ARC-Easy 0.447, HellaSwag 0.349, MMLU 0.271, ARC-Challenge 0.251); held-out bits per byte на 4K — 0.9957.Требования к железу: нужна видеокарта NVIDIA (Ampere или новее для FlashAttention-2 varlen и ядер Triton из flash-linear-attention); архитектура не встроена в transformers, используется локальный модуль
dwslm/.Ограничения: нет KV-кэша (при генерации префикс пересчитывается на каждом токене), нет SFT и safety-обучения, модель часто ошибается в фактах, а качество на неанглийских языках неравномерное (русские книги показали 2.57 bits per byte).










Comments