llm-course-hw1

LLM Course HW1 — Byte-level BPE + Tiny Russian Jokes LM

Это домашнее задание: обучение Byte-level BPE токенизатора и небольшой Causal Transformer на датасете русских анекдотов.

Что внутри

• Токенизатор: Byte-level BPE, обучен с нуля на IgorVolochay/russian_jokes
• Модель: Causal Transformer с:
  • ALiBi позиционными смещениями (по умолчанию) или RoPE (опционально)
  • GQA (Grouped-Query Attention)
  • SwiGLU в FFN
  • (опционально) Multi-Head Latent Attention (MLA) для экономии KV-кэша
• Конфиги размеров: nano / mini / small
• Код генерации и обучения на PyTorch

Примечание: Модель и токенизатор — кастомные классы, не transformers. Для использования см. примеры ниже.

---

Файлы в репозитории

• model.safetensors — веса модели
• config.json — конфиг модели
• vocabulary.json, merges.json — файлы Byte-level BPE
• README.md — эта карточка

---

Архитектура

• Embedding: token embedding (без learnable pos embed; позиции кодируются ALiBi или RoPE)
• Attention: Multi-head, GQA (число KV-голов меньше числа Q-голов)
• Positional encoding:
  • ALiBi (additive linear bias) — не требует табличек, хорошо масштабируется
  • RoPE (опционально): комплексные вращения Q/K; требует чётного head_dim
• FFN: SwiGLU = silu(W₁a x) ⊙ (W₁b x) → W₂
• Norm: RMSNorm (pre-norm)
• (Опция) MLA: свёртка K/V в общий латент и on-the-fly дешифрация (снижение памяти под KV-кэш)

---

Тренировочные детали

• Датасет: IgorVolochay/russian_jokes (train/test split 90/10, фиксированный seed)
• Оптимизатор: AdamW (lr=3e-4, weight_decay=0.1)
• Шедулер: Linear warmup (10% шагов) → linear decay
• Batching: паддинг до максимальной длины в батче + attention_mask
• Критерий: next-token cross-entropy с маскированием паддингов
• Макс. контекст: max_seq_len=128

---

Графики