llm-course-hw1

Description:

Language model, based on Transformer architecture, trained to generate various russian jokes, using russian_jokes dataset.

Loss on validation: 2.488

Experiments

Architecture details:

• Multi-Head Latent Attention layer, as in DeepSeekV3 with latent dimension equal to 96
• SwiGLU activation in the FeedForward layer of the Transformer Block
• Decoupled Rotary Positional Embeddings, as in DeepSeekV3

Generation examples:

• Заходит в бар -> Заходит в бар мужик и видит, что у него барин за рюмкой. Официант ему и говорит:- Мужики, вы, мужик, батюшки, исполнилось несколько слов, не волнуйтесь. Моя теща говорит врачу:- Доктор, да вы не болит.
• Заходит в бар -> Заходит в бар русский, подходит к бармену и видит: у кого-то среди клоунов сидят 3 еврея в небе и читают: "Давай 50 грамм и играть с косой, и зачем теперь это все 98%"

Version without MHLA is available at commit 076a6c7. It has a slightly smaller loss, but 10% more parameters.