Views
No views yet
| Parameters | 442M |
| Architecture | Recurrent-Depth Transformer (RDT) |
| Language | French |
| Tokenizer | CamemBERT (camembert-base, 32k vocab) |
| Context window | 512 tokens |
| Chat format | ChatML |
| Training hardware | 1x NVIDIA L40S |
| SFT val_loss | 1.56 |
| License | Apache 2.0 |
pip install transformers torch safetensors sentencepiece1from transformers import AutoModelForCausalLM, AutoTokenizer
2
3model_id = "Klovis-ai/Klovis-442M-french-130426"
4tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
5model = AutoModelForCausalLM.from_pretrained(model_id, trust_remote_code=True)
6
7prompt = (
8 "<|system|>\n"
9 "Tu es un assistant intelligent. Réponds directement et précisément.<|end|>\n"
10 "<|user|>\n"
11 "Que peut-on visiter à Paris ?<|end|>\n"
12 "<|assistant|>\n"
13)
14
15inputs = tokenizer(prompt, return_tensors="pt")
16outputs = model.generate(
17 inputs["input_ids"],
18 max_new_tokens=200,
19 temperature=0.5,
20 top_p=0.85,
21 top_k=50,
22 do_sample=True,
23)
24print(tokenizer.decode(outputs[0], skip_special_tokens=True))| Token | Role |
|---|---|
<|system|> | Start of system message |
<|user|> | Start of user message |
<|assistant|> | Start of assistant response |
<|end|> | End of turn |
Input → [Prelude: 4 layers] → [Shared Block x 8 steps] → [Coda: 4 layers] → Output| Component | Detail |
|---|---|
| Embedding dim | 1536 |
| Prelude layers | 4 (unique) |
| Coda layers | 4 (unique) |
| Recurrent steps | 8 |
| Query heads | 24 |
| KV heads (GQA) | 6 |
| FFN hidden dim | 8192 |
| FFN activation | SwiGLU |
| Normalization | RMSNorm (pre-norm) |
| Position encoding | RoPE |
| LTI Injection | Linear Time-Invariant state coupling |
| ACT Halting | Adaptive Computation Time (per-position early exit) |
| Depth LoRA | Rank-32 adapters per recurrent step |
| Weight tying | Input embeddings <-> output projection |
| Data | French texts (Wikipedia FR, FineWeb-2, CulturaX, C4) |
| Optimizer | AdamW (beta1=0.9, beta2=0.95, wd=0.1) |
| Scheduler | Linear warmup -> cosine decay |
| Precision | Mixed precision (bfloat16) |
| Block size | 512 tokens |
| Epochs | 25 |
| Learning rate | 2e-5 |
| Effective batch size | 128 (16 x 8 gradient accumulation) |
| Final val_loss | 1.56 |
| Chat format | ChatML |
| Dataset | Samples |
|---|---|
| kurakurai/luth-sft (multiple subsets) | ~300k |
| angeluriot/french_instruct | 20k |
| Houzeric/everyday-conversations | Custom |
| Houzeric/physics-FR-qa-dataset | 5k |
| le-leadboard/MATH_LVL5_fr | 1.4k |
User: BonjourKlovis: J'espère que vous allez bien ! Je suis ravi de partager mon expérience avec vous aujourd'hui. Si vous avez des questions spécifiques ou si vous souhaitez approfondir mes connaissances dans ce domaine, n'hésitez pas à me le faire savoir !
User: Que puis-je visiter à Paris ?Klovis: La Tour Eiffel est une structure emblématique située dans le cœur historique de Paris. Construite pour l'Exposition universelle de 1889, elle offre une vue imprenable sur la ville. Cette avenue pavée offre une expérience unique de shopping et d'histoire, avec ses nombreux cafés, restaurants et boutiques de luxe qui témoignent de son riche passé. Les visiteurs peuvent profiter d'une promenade matinale ou d'un dîner gastronomique dans un restaurant étoilé Michelin.
User: Explique-moi ce qu'est la gravité.Klovis: La gravité est une force qui agit sur tout objet ou chose, comme l'air ou l'eau dans son ensemble. Les effets de cette accélération peuvent varier considérablement selon les conditions atmosphériques. En résumé, la gravité est un concept fondamental en physique moderne, représentant la gravité comme un phénomène dynamique influencé par des facteurs tels que les mouvements tectoniques, les forces gravitationnelles et les champs électromagnétiques.
[!NOTE] The model produces fluent, well-structured French with rich vocabulary. Factual accuracy is limited (as expected for a 442M model trained from scratch) — responses may contain hallucinations or approximations.
This model demonstrates what a single developer can achieve with a novel architecture at small scale. It is not intended to replace larger models for production use.