Resonance-Qwen2-200M-Luders
языковая модель с квантовым вниманием и оценкой неуверенности
2 min readupdated
Компактная языковая модель (LLM) на базе архитектуры Qwen2 с 201.5M параметров от исследователя Luís P. Soares (PSMoreno). Вместо классического механизма внимания Softmax в ней используется квантово-вдохновленный подход Resonance Attention с проективным подпространством Людерса ранга 2. Это позволяет модели прямо во время генерации оценивать собственную эпистемическую неопределенность (нехватку знаний по теме) за один прямой проход без многократного сэмплирования. Разработка пригодится исследователям ИИ и инженерам, которым важно отсеивать галлюцинации и слишком самоуверенные ответы нейросетей.
Ключевые особенности
- Механизм Resonance Attention: заменяет стандартный Softmax на проективное подпространство Людерса ранга 2.
- Оценка неопределенности за один проход: вычисляет спектральную энтропию S(ρ) во время обычного инференса без дополнительных генераций.
- Снижение ложной самоуверенности: избегает деградации по закону Гудхарта (когда модель искусственно завышает уверенность при явной регуляризации).
- Улучшенный отказ от ответа: показывает лучший результат по метрике селективного воздержания AURC (0.9509 против 0.9820 у классических бейзлайнов).
Что можно сделать
- Изучить альтернативные архитектуры внимания: сравнить поведение Resonance Attention и классического Softmax на задачах генерации текста.
- Внедрить фильтр галлюцинаций: использовать значение спектральной энтропии S(ρ) как сигнал для отказа от ответа, когда модель не уверена в фактах.
- Протестировать калибровку уверенности: исследовать устойчивость компактных LLM к эффекту ложной самоуверенности при регуляризации.
Пример
inputs = tokenizer("Resonance Attention measures", return_tensors="pt").to(model.device)
outputs = model(**inputs, output_attentions=True)
spectral_entropy = outputs.attentions[-1].last_spectral_entropy
print(f"Spectral Entropy S(ρ): {spectral_entropy.item():.4f}")Подробнее
Архитектура: Qwen2 causal language model (~201.5M параметров).Обучение: датасет HuggingFaceFW/fineweb-edu (sample-10BT), ~393.2M токенов.
Метрики: динамический AURC (Area Under the Risk-Coverage curve) — 0.9509 против 0.9820 у классических моделей.
Запуск: через библиотеку transformers с параметром trust_remote_code=True (поддерживается bfloat16).










Comments