К содержимому
Языковые модели

KenT-20M-Base

языковая модель без attention

2 мин чтения

KenT-20M-Base — крошечная базовая LLM от Vi-LAB на ~19,6 млн параметров, которая предсказывает по одному токену за шаг. Вместо attention история хранится в обучаемой EMA-памяти (экспоненциальное сглаживание с выучиваемыми коэффициентами) на всех глубинах сети. Архитектура использует фиксированную матрицу DCT-II, SwiGLU-блоки и GPT-2-токенизатор. Это не готовый ассистент, а исследовательская база для экспериментов с генерацией текста на английском.

Ключевые особенности

  • Нет attention: контекст переносится через EMA-матрицы, а не через KV-кэш.
  • Около 19,56 млн параметров, из них 12,06 млн — embedding; hidden size 240, 12 блоков и 13 EMA-tap.
  • Состояние декодирования H имеет форму (13, 240), поэтому его размер не растёт с длиной текста — O(1).
  • Словарь GPT-2 на 50 257 токенов, tied embedding / LM head; язык карточки — английский.
  • DCT-II-матрица фиксированная, W обучается и инициализируется около единичной матрицы; EMA тоже обучаемая.

Что можно сделать

  • Собрать исследовательский стенд и сравнить attention-free рекуррентную схему с маленькими transformer-моделями.
  • Проверить генерацию продолжения английского текста при фиксированном состоянии без растущего KV-кэша.
  • Поэкспериментировать с длинными последовательностями: состояние H не увеличивается по мере генерации.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer
tok = AutoTokenizer.from_pretrained("Vi-LAB/KenT-20M-Base", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained("Vi-LAB/KenT-20M-Base", trust_remote_code=True)
ПодробнееБенчмарков в карточке нет. Модель базовая, без instruct-настройки, ориентирована на английский. Требования к VRAM не указаны, но 19,56 млн параметров — очень мало. EMA считается в FP32 через affine-scan log-depth; результат совпадает с последовательной рекуррентностью.
Обсудить Telegram 0 30

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    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.

    # Vi-LAB/KenT-20M-Base
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download Vi-LAB/KenT-20M-Base --local-dir ~/models/KenT-20M-Base
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к KenT-20M-Base
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

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 KenT-20M-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Vi-LAB/KenT-20M-Base
Автор
Vi-LAB
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

300

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

JobBERT-CRF

JobBERT-CRF
Языковые модели

Measure Twice

Measure Twice