summerMC/Looped-Qwen-pre

j-llm/Qwen3.5-2B-SpeedX2 (全層 Gated DeltaNet) の 24 層を 空間マージして重み共有し、2 重ループにした Looped GDN (反復ステップ毎 LoRA 付き)。教師 Qwen/Qwen3.5-2B から蒸留。

for t in range(6):            # 外側ループ
    h = RoPE注入(h)             # 位置の再注入 + ループ段埋め込み
    for k in range(loops[t]):   # 内側ループ (ゲート付き)  loops = [4, 4, 4, 4, 4, 4]
        h = h + g_k(h) * (GDN_t(h) - h)   # GDN_t = 元の 4 層を平均マージした共有ブロック

使い方 (transformers)

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
repo = "summerMC/Looped-Qwen-pre"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, trust_remote_code=True, dtype=torch.bfloat16).cuda().eval()
ids = tok.apply_chat_template([{"role": "user", "content": "日本の首都はどこ？"}], add_generation_prompt=True,
                              return_tensors="pt", return_dict=True, enable_thinking=False)["input_ids"].cuda()
out = model.generate(ids, max_new_tokens=128, do_sample=True, temperature=0.7, top_p=0.9, repetition_penalty=1.1)
print(tok.decode(out[0, ids.shape[1]:], skip_special_tokens=True))

pip install -U transformers flash-linear-attention 推奨 (GDN 高速カーネル)。

ファイル

学習

• Stage 1: グループ単位 hidden 蒸留 (相対 MSE + コサイン) / Stage 2: 教師 logits KL + hidden 損失
• データ: C4 (日本語・英語)

注意

蒸留による近似で教師より性能は低下します。ライセンスは元モデル (Qwen/Qwen3.5-2B) に従います。 元モデル: Qwen Team / 全 GDN 化: summerMC, j-llm