zhanslu/llm-course-hw1

Russian Jokes LLM

Языковые модели, обученные на датасете русских анекдотов в рамках домашней работы по курсу Deep Learning.

Описание задания

В рамках задания было реализовано с нуля:

• Byte-level BPE токенизатор — обучение словаря заданного размера и набора слияний, кодирование и декодирование текста
• Transformer для языкового моделирования со следующими компонентами:
  • RMSNorm — предварительная нормализация
  • GQA (Grouped Query Attention) — механизм внимания с группировкой запросов
  • SwiGLU — активация в Feed-Forward блоке
  • ALiBi — позиционные эмбеддинги
  • RoPE — Rotary Positional Embedding
  • MLA (Multi-Head Latent Attention)

Датасет

IgorVolochay/russian_jokes

Обученные модели

Модель	Репозиторий	Positional Encoding	Attention
Базовая	llm-course-hw1	ALiBi	GQA
RoPE	llm-course-hw1-rope	RoPE	GQA
MLA	llm-course-hw1-mla	RoPE	MLA

Архитектура

Параметр	Значение
Слоёв	3
Голов внимания	4
KV голов	2
Hidden dim	96
Intermediate dim	256
Vocab size	1024
Max seq len	128
Параметров	~0.5M

Токенизатор

Byte-level BPE токенизатор с размером словаря 1024 токенов, обученный на тренировочной части датасета.
Специальный токен: [EOS] — конец последовательности.

Качество

Модель	Train Loss	Val Loss
ALiBi	3.496	3.490
RoPE	3.461	3.473
MLA	3.512	3.522

Примеры генерации

Prompt: Заходит в бар

ALiBi: Заходит в баре. Пока:- Ну что ты не могу внутьсячу?- Я не могу идешь!- Ну, сегодня я не могу сразу.

RoPE: Заходит в бар в кухни:- Папа, а вчера не знает, кто у тебя снова.

MLA: Заходит в барпарату. Слышал с пациенту:- Я тебе не папа, что я тебе, и с ним и говорит: - Мама, доктор, я не придется! - Ну и что, что это? - Да нет, ты мне, что у меня ведь я не понимаешь, что это я, что он у меня не знаю, что у тебя на кого?

Использование

import torch
from huggingface_hub import snapshot_download

tokenizer = ByteLevelBPETokenizer.from_pretrained("zhanslu/llm-course-hw1")
model = TransformerForCausalLM.from_pretrained("zhanslu/llm-course-hw1")
model.eval()

text = "Заходит в бар"
input_ids = torch.tensor(tokenizer.encode(text)[:-1])[None, :]
output = model.generate(
    input_ids,
    max_new_tokens=100,
    eos_token_id=tokenizer.eos_token_id,
    do_sample=True,
    top_k=10
)
print(tokenizer.decode(output[0].tolist()))