К содержимому
Языковые модели

DWSLM-256M-Base-32K

компактная LLM с нуля и контекстом 32K

2 мин чтенияобновлено

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).
Обсудить Telegram 0 23

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 2.4 GB · готовые файлы3.3 GB
  • BF16веса 1.2 GB1.9 GB
  • FP8 / INT8рекомендуемвеса 0.6 GB1.3 GB
  • 4-bitвеса 0.3 GB1.0 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте A30

    $0.26 в час с купоном. При создании машины выберите образ Ubuntu.

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # dwsllc/DWSLM-256M-Base-32K — A30, FP8 / INT8
    # Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
    DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
    case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
    if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
      . /etc/os-release && \
      curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
      sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
      sudo apt-get update && \
      sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
      { echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
      echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
      exit 0
    fi
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
    uv pip install vllm
    vllm serve dwsllc/DWSLM-256M-Base-32K --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к DWSLM-256M-Base-32K
  3. 3. Пользуйтесь

    Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Новые посты про версии DWSLM-256M-Base-32K — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

dwsllc/DWSLM-256M-Base-32K
Автор
dwsllc
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

230

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

Rill-51M-A25M

Rill-51M-A25M