/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
133 млн
Лицензия
CC BY-NC 4.0
Архитектура
deep · MoE
Библиотека
vllm
Опубликована
5 авг 2026

TR-HASH-MOE-500M-20B

Генерация текстаТекст → текст3 профессии

Экспериментальная базовая языковая модель AETHORIA-AI для автодополнения и продолжения англоязычного текста.

22скачиваний за 30 дней1лайквеса обновлены11 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

TR-HASH-MOE-500M-20B — базовая авторегрессионная языковая модель AETHORIA-AI, обученная с нуля как исследовательский артефакт. Это decoder-only трансформер с grouped-query attention, общей плотной MLP-ветвью и остаточными экспертами, выбираемыми детерминированно по ID токена и номеру слоя. В README указано 492,1 млн параметров, тогда как метаданные Hugging Face сообщают 133,4 млн; поэтому размер модели по источникам расходится. Обучение проведено на 20 млрд токенов корпуса FineWeb-Edu с собственным BPE-токенизатором на 32 тыс. токенов; контекст — 2048 токенов.

Модель предназначена для продолжения текста и экспериментов с предобученной базовой моделью, а не для диалогового общения по инструкциям. Она принимает текст и генерирует текст; заявленный основной язык — английский. Для инференса README рекомендует BF16 Safetensors и пользовательский runtime vllm-i64; архитектура не поддерживается стандартной реализацией Transformers AutoModelForCausalLM. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

Это экспериментальная небольшая модель: возможны повторы, потеря связности и выдуманные факты; качество может быть слабым в рассуждениях, арифметике, коде, многоязычных запросах и задачах с длинным контекстом. Независимый аудит на запоминание данных, загрязнение, предвзятость, токсичность, приватность и безопасность не проводился.

Сценарии применения

  • продолжение англоязычного текста по затравке
  • эксперименты с инференсом базовых языковых моделей
  • исследование детерминированной маршрутизации остаточных экспертов
  • оценка качества предобученной модели на текстовом корпусе

Ограничения

Модель не настроена на следование инструкциям и может повторять текст, терять связность и выдумывать факты; ожидаются слабые результаты в рассуждениях, арифметике, коде, многоязычных запросах и длинном контексте. Независимый аудит на запоминание, предвзятость, токсичность, приватность и безопасность не проводился.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

TR-HASH-MOE-500M-20B

Research pretraining artifact for a 492.1M-parameter decoder-only language model with grouped-query attention, a shared dense MLP path, and deterministic token-ID hashed residual experts.

This is a base language model, not an instruction-tuned chat model. The repository provides both the final raw training checkpoint and a BF16 Safetensors export for direct base-model inference with the custom vllm-i64 runtime. For the instruction-tuned release, use TR-HASH-MOE-500M-HF.

Model summary

ComponentValue
Parameters492.1M
Transformer layers24
Hidden size1,024
AttentionGQA, 16 query heads / 4 KV heads
Vocabulary32,000
Training context2,048 tokens
Shared MLPSwiGLU, width 4,864
Routed MLP4 experts, width 128 each
Active expertsTop-2 with fixed 0.5 / 0.5 weights
Routing signalBalanced, layer-specific token-ID hash
Final step76,293
Pretraining budget20B tokens

Each transformer block retains a shared dense MLP for contextual computation. The residual expert branch selects two experts from the token ID and layer index. No learned contextual router is evaluated at inference time. With four stored experts of width 128, each token activates two expert paths alongside the shared width-4,864 path.

Pretraining

  • Corpus: FineWeb-Edu.
  • Tokenizer: project 32k BPE tokenizer.
  • Training tokens: 20B.
  • Separate evaluation shard: approximately 40M tokens.
  • Global tokens per optimization step: 262,144.
  • Optimizer: AdamW.
  • Precision: BF16.
  • Run seed: 42.

The long run experienced host interruptions and was resumed from checkpoints. metrics.csv provides the merged trajectory, while metrics-raw-with-resumes.csv preserves the raw records around those resumes.

20B-token pretraining NLL

The plotted training curve is a 100-measurement rolling mean. Evaluation points are the recorded measurements on the disjoint evaluation shard. The chart starts after the initial warm-up to keep the later trajectory readable.

Recorded result

MeasurementStepNLLPerplexity
First scheduled held-out evaluation1,0004.8554128.43
Last scheduled held-out evaluation76,0002.661514.32

Step 76,293 is the final optimization checkpoint. The reported held-out value is from step 76,000, the last scheduled evaluation before completion; it is not a substituted training loss.

These numbers describe one exploratory run on one data distribution and one seed. They are not a claim of superiority over a dense or learned-router baseline at this scale.

Repository contents

FileDescription
checkpoint.ptFinal raw PyTorch training checkpoint at step 76,293
model.safetensorsBF16 base-model weights without optimizer state
config.jsonvllm-i64 model and hash-routing configuration
tokenizer.jsonProject 32k BPE tokenizer
tokenizer_config.jsonBase tokenizer metadata with no chat template
metrics.csvClean merged metric history through the completed run
metrics-raw-with-resumes.csvRaw metric history retaining restart boundaries

The raw checkpoint contains model weights as well as optimizer, scheduler, configuration, argument, and backend state. It is intended for exact research resumption and framework-level inspection. Use model.safetensors with vllm-i64 for inference; this custom architecture is not a stock Transformers AutoModelForCausalLM implementation.

import torch

artifact = torch.load(
    "checkpoint.pt",
    map_location="cpu",
    mmap=True,
    weights_only=False,
)

print(artifact["step"])        # 76293
print(artifact["config"])
model_state = artifact["model"]

PyTorch checkpoints use pickle internally. Only load artifacts obtained from a source you trust.

Inference and downstream use

The base checkpoint has no instruction-following guarantee and should be prompted as a text-completion model. It intentionally contains no chat template, system prompt, or User/Assistant formatting. The public SFT export and live demo are:

Limitations

This is an experimental small base model. It can repeat text, lose coherence, invent facts, reproduce undesirable patterns from web data, or fail on reasoning, arithmetic, code, multilingual prompts, safety-sensitive requests, and long-context tasks. It has not been independently audited for memorization, contamination, bias, toxicity, privacy, or downstream safety.

Do not use it for consequential decisions. Evaluate the exact checkpoint and serving stack independently before any deployment.

License

The model artifact is released under CC BY-NC 4.0. FineWeb-Edu and individual source documents retain their own applicable terms; users remain responsible for reviewing dataset provenance and compliance for their intended use.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · vllm

Нельзя запустить

Архитектура deep неизвестна transformers в образе рантайма.

Класс архитектуры
DeepForCausalLM
Ревизия весов
d625656

0 моделей