选择张量
单张量导出是原始 dtype 字节，无额外文件头；张量形状、精度和偏移见下方元数据。完整 safetensors 可在文件页下载。
0
点击热力图中的任意位置查看原始索引、浮点值和底层 bit pattern。
模型全景
参数都在哪里
精度与存储
按 safetensors 中实际存储元素统计，共享嵌入不重复计数。模型名称中的 0.8B 是近似命名；文本、视觉与 MTP 在这里分别计算。
24 层文本主干
层编号从 0 开始蓝框：Full attention其余：Linear attention●：MLP 权重被编辑
精确编辑审计
全部 488 个张量
完整模型配置与文件头
摘要用于快速阅读；原始 JSON 保留所有字段，包括特殊 token、RoPE、视觉和 MTP 配置。
词表与聊天模板
| ID | 真实 token 内容 | 类别 |
|---|
全部特殊 token / added_tokens 配置
tokenizer_config.json 全部字段
完整聊天模板 chat_template.jinja
一次简单推理，如何生成答案
正在准备本地真实推理记录…
这里显示 token 与中间向量的数值计算观测，不把层激活或 attention 分数解释成模型的内部自然语言思考。
输入怎样变成 token
token 字符以 JSON 转义显示，空格与换行均可见；原始值保留在完整 trace。
全部输入 token 的真实 embedding 记录
逐 token 生成
当前 token 的计算链
Embedding
24 层主干
18 × Gated DeltaNet
6 × Full attention
6 × Full attention
Final norm → LM head
Logits → Softmax
选择任意层，查看实际输入与输出向量GDN = 线性注意力 / Full = 全注意力
下一 token 概率 Top 10
逐层向量范数与残差变化
输出 L2 范数 / (输出 − 输入) L2 范数
Layer 0 · 实际向量预览
| 隐藏维度 | 层输入 | 层输出 | 输出 − 输入 |
|---|
这里预览最后一个已输入 token 的前 8 个维度，随后预测下一个 token。完整向量及每步全部 248,320 项 logits / softmax 概率可下载 JSON / NPZ 档案。
Attention 与 MLP 的实际子步骤
Embedding 与最终归一化的实际向量
推理协议、模型与采集范围
当前步骤完整原始记录
本地实验与完整输出
本地手工题演示没有复现新闻中的性能提升。权重补丁位级重放成功，与数学基准指标复现是不同结论。