Malama Base 85B
полный чекпоинт предобучения гибридной LLM до затухания LR
2 min readupdated
Промежуточный тренировочный чекпоинт компактной языковой модели Malama Base на 0.96 млрд параметров, снятый на отметке 84.8 млрд токенов. Модель от автора jfrick построена на гибридной архитектуре, сочетающей Kimi Delta Attention и стандартное полное внимание (full attention). Чекпоинт зафиксирован ровно в конце фазы постоянного learning rate (скорости обучения) — прямо перед стартом фазы затухания (decay), которая в основном прогоне длилась до 100 млрд токенов. Благодаря этому файл служит готовой точкой ветвления для экспериментов с midtraining (промежуточным дообучением на новых доменах) с контрольным прогоном на 100B для честного сравнения.
Ключевые особенности
- Гибридная архитектура (0.96B): комбинация Kimi Delta Attention и full attention, включающая голову multi-token-prediction (предсказание сразу нескольких токенов вперёд).
- Полное состояние тренировки: помимо весов в fp32, внутри сохранены состояния оптимизаторов Muon и AdamW, курсоры источников данных и состояние RNG.
- Контроль воспроизводимости: в файл зашиты конфигурация прогона и контрольные суммы SHA-256 всех исходных файлов тренера.
- Точка ветвления на 84.8B: позволяет запустить собственную фазу затухания learning rate на других данных и сравнить результат с оригинальным чекпоинтом на 100B токенов.
Что можно сделать
- Запустить ветку midtraining: продолжить обучение с шага 80 895 на специализированном датасете — например, на коде в формате fill-in-the-middle (заполнение пропусков в середине кода).
- Провести честные A/B-эксперименты: протестировать разные расписания затухания learning rate или смеси данных, используя оригинальный прогон до 100B в качестве контрольной базы.
- Разобрать внутренности обучения: извлечь тензоры оптимизаторов Muon и AdamW или статистику датасетов из словаря состояния PyTorch для анализа динамики предобучения.
Пример
import torch
state = torch.load("step-000080895.pt", map_location="cpu", weights_only=False)
state["model"] # parameter tensors, fp32
state["optimizer"] # {"muon": ..., "adamw": ...}
state["data"] # per-source data cursor
Подробнее
Файл: step-000080895.pt размером 8.6 ГБ (формат PyTorch pickle, требуется weights_only=False).Метрики на шаге 80 895 (84 824 555 520 токенов): средний training loss за 500 шагов равен 2.07.
Тренер из репозитория koogle/lm-exploration (коммит a5c0d47, директория training/hybrid/) проверяет хэши файлов в state["source_sha256"] и не запустит --resume при несовпадении исходников.










Comments