Данные и воспроизведение
Код собственного опыта на лайках Yambda и отдельного пересчёта 60 публичных журналов MLCommons. Без запуска HSTU.
Скачать материалы
Как повторить
Распакуйте ZIP на исследовательской машине с Python 3.14 и доступом в интернет. Запустите bash reproduce.sh. Скрипт создаёт отдельное окружение, устанавливает закреплённые зависимости, скачивает открытые данные и журналы из указанных версий, проверяет хеши, считает метрики и строит графики.
Нужно не менее 1,5 ГиБ доступной памяти. Размер файла лайков около 7,2 МБ, журналы около 21 МБ; зависимости загружаются отдельно. Полный датасет Yambda-5B и GPU не требуются. На рабочем сервере сайта расчёты не запускаются.
Папка results/ содержит агрегаты. Локальные private-eval-*.json создаются только для проверки и содержат идентификаторы из открытого набора; их нет в опубликованном архиве. Исходные пользовательские истории не перепубликуются.
Что не выполнено
Мы не обучали HSTU, не запускали официальный MLPerf, не измеряли энергопотребление и не проверяли CapyAgent этим опытом. Числа из RCP принадлежат исходным GPU-запускам MLCommons. Собственные результаты относятся только к описанным спискам популярности на лайках.
Условия использования
Наши скрипты распространяются по MIT. Yambda принадлежит исходным авторам: в карточке указаны Apache 2.0 и научно-исследовательское назначение. У MLCommons собственная Apache 2.0. Тексты лицензий и исходные ссылки включены в комплект; наша лицензия не заменяет сторонние условия.
Полная техническая инструкция TXT