/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
133 млн
Лицензия
CC BY-NC 4.0
Архитектура
deep · MoE
Базовая модель
TR-HASH-MOE-500M-20B
Библиотека
vllm
Опубликована
6 авг 2026

TR-HASH-MOE-500M-HF

Генерация текстаТекст → текст3 профессии

Экспериментальный чекпойнт Deep MoE для воспроизведения и диагностики instruction-тюнинга, не прошедший проверку поведения ассистента.

129скачиваний за 30 дней4лайкавеса обновлены14 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-HF — экспериментальный чекпойнт языковой модели семейства Deep с архитектурой mixture-of-experts и классом DeepForCausalLM. Его выпустила AETHORIA-AI как артефакт для воспроизводимости и диагностики эксперимента: модель дообучена на базе AETHORIA-AI/TR-HASH-MOE-500M-20B, а веса LoRA уже объединены с основными весами. В README указаны обучение на 201 983 примерах за одну эпоху и набор весов BF16; метаданные указывают 133,4 млн параметров и контекст 2048 токенов. Для инференса заявлена библиотека vLLM и поддержка диалогового режима.

Модель предназначена для изучения и диагностики результатов экспериментального instruction-тюнинга, а не для надёжной работы в роли ассистента. На описанной панели из девяти запросов она не прошла проверку поведения: отмечены ошибки в арифметике, копирование запросов, выдуманные сведения о личности, несоблюдение формата, повторения, неполные определения и небезопасный совет о передаче пароля. Лицензия — CC BY-NC 4.0; коммерческое использование лицензией не разрешено.

Сценарии применения

  • воспроизведение эксперимента по instruction-тюнингу
  • диагностика поведения языковой модели на диалоговых запросах
  • изучение объединения LoRA-весов в чекпойнт
  • сравнение результата дообучения с исходной базовой моделью

Ограничения

Чекпойнт не прошёл поведенческую проверку: в README описаны ошибки арифметики, следования инструкциям и формату, повторения и небезопасный ответ. Не предназначен для consequential решений и реальных приложений без независимой проверки.

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-HF — semantic-cell LoRA experiment

Failed promotion gate — research artifact only. This checkpoint is published for reproducibility and diagnosis. It is not a safe or reliable assistant and must not be used for consequential decisions.

Experimental merged checkpoint from step 1,052, trained for one full-shard epoch from the clean 500M/20B pretrained base. The LoRA weights are already merged; no separate adapter is required.

Training state

ComponentValue
BaseAETHORIA-AI/TR-HASH-MOE-500M-20B
DatasetComplexity Atlas Posttrain 32K V2
Training examples201,983 (all visited once)
Checkpoint1,052 / 1,052 steps (1 epoch)
Final training loss2.1509
Matched eval loss3.6805 -> 2.9765
LoRArank 32, alpha 32, dropout 0.05
Peak base LR3e-6
Peak expert LR7.5e-7
Weighted loss20% reasoning / 20% natural conversation / 60% instruction
Chat formatcomplexity-chat-v2

The bundle contains merged BF16 weights, the 32K tokenizer, the standalone chat template, and the fixed layer-specific top-2 route tables.

Inference

pip install git+https://github.com/Complexity-ML/vllm-i64.git@main

vllm-i64 serve tr-hash-moe-500m \
  --checkpoint AETHORIA-AI/TR-HASH-MOE-500M-HF \
  --dtype bfloat16 \
  --port 7860

Limitations

This checkpoint failed the behavioral promotion gate. Full PIQA normalized accuracy was retained (0.6953 base -> 0.6964 candidate), but the fixed nine-prompt assistant panel failed all nine behaviors. Observed failures include incorrect arithmetic, prompt copying, fabricated identity details, ignored format constraints, repetitive text, incomplete factual definitions, and an unsafe password-sharing answer.

The result indicates an instruction-data coverage limitation rather than a general PIQA capability regression. Loss weighting cannot create semantic or stylistic coverage that is absent from the shard. Do not interpret the lower matched-eval loss as evidence of assistant quality.

No safety, correctness, or production-readiness claim is made. Users should retain an independently validated base or checkpoint for any real application.

Resources

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
11ad114

0 моделей