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).
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.
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
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.
Комментарии