/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
69 млн
Лицензия
CC BY-NC 4.0
Архитектура
MoE
Библиотека
pytorch
Опубликована
16 авг 2026

TR-HASH-MoE-200M-130B

Генерация текстаТекст → текст3 профессии

Экспериментальная базовая MoE-языковая модель AETHORIA-AI на 201,2 млн параметров для продолжения текста и исследований архитектур.

155скачиваний за 30 дней4лайкавеса обновлены25 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 200M — базовая авторегрессионная языковая модель AETHORIA-AI для продолжения текста и экспериментов с архитектурами Mixture of Experts. В README указано 201,2 млн параметров, 16 слоёв, скрытый размер 896, decoder-only архитектура, grouped-query attention и общий путь SwiGLU. Эксперты выбираются детерминированно по ID токена, без обучаемого контекстного маршрутизатора; метаданные каталога указывают 69 млн параметров, поэтому размер модели в источниках расходится.

Модель обучена на смеси текстовых данных: около 70 млрд уникальных токенов были повторно использованы до примерно 130 млрд обучающих токенов. Контекст — 2048 токенов. Она предназначена для языковых исследований, сравнения архитектур, продолжения предварительного обучения и последующей контролируемой настройки. Это базовая модель без шаблона чата и гарантий следования инструкциям; её следует использовать для генерации продолжения текста. В карточке не приведены подтверждённые результаты оценки.

Лицензия — CC BY-NC 4.0, то есть коммерческое использование не разрешено условиями этой лицензии. Разработчик предупреждает о возможных повторах, потере связности, фактических ошибках, небезопасных или предвзятых ответах и слабых результатах в рассуждениях, арифметике, программировании и многоязычных задачах.

Сценарии применения

  • генерация продолжения текста по затравке
  • сравнение вариантов архитектуры Mixture of Experts
  • эксперименты с grouped-query attention и детерминированной маршрутизацией экспертов
  • продолжение предварительного обучения языковой модели
  • контролируемая настройка базовой языковой модели

Ограничения

Это небольшая экспериментальная базовая модель без шаблона чата и гарантий следования инструкциям; независимая оценка качества не проводилась. Возможны повторы, несвязные или выдуманные ответы, небезопасный и предвзятый контент, а также слабые результаты в рассуждениях, арифметике, коде и многоязычных задачах.

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 200M — 70B Unique / 130B Replay

TR-HASH MoE 200M is a 201.2M-parameter decoder-only base language model with grouped-query attention, a shared SwiGLU path, and deterministic token-ID routed experts. It is trained on a 70B-token unique selection from a larger pretokenized mixture, replayed to 130B total trained-token exposures.

This is a base completion model, not an instruction-tuned assistant. It has no chat template or instruction-following guarantee.

Model summary

ComponentValue
Parameters201.2M
Transformer layers16
Hidden size896
AttentionGQA, 14 query heads / 2 KV heads
Vocabulary32,000
Configured maximum context2,048 tokens
Routed MLP4 deterministic token-ID experts, top-2 active
EmbeddingsInput/output weights tied

Each block combines a wide shared SwiGLU path with a small set of experts selected deterministically from the token ID — routing has no learned gate, so there is no contextual router decision at inference time.

Training data

Trained on a deterministic replay plan over the 200B-token pretokenized mixture (DCLM, FineWeb-Edu, Stack-Edu, FineMath, InfiWebMath, Cosmopedia v2), selecting ~70B unique tokens and replaying to ~130B total trained-token exposures.

Status

Training is complete — the run reached its full ~130B planned token exposure.

Training loss

The raw step-by-step training log is included in this repo as training_log.csv for anyone who wants the full curve. A validated held-out evaluation has not been run yet; treat this as a released base checkpoint, not a benchmarked one.

Intended use

For language-model research, architecture comparisons, continued pretraining, and supervised refinement. As a base model, it should be prompted for text completion rather than conversation.

Limitations

This is an experimental small base model. It may repeat text, lose coherence, invent facts, emit unsafe or biased content, reproduce patterns from training data, and fail on reasoning, arithmetic, code, multilingual text, and safety-sensitive prompts. It has not been independently evaluated for benchmark contamination, memorization, privacy leakage, toxicity, or bias.

Do not use it for consequential decisions. Evaluate the exact checkpoint and serving stack for your intended application before deployment.

Project links

License

CC BY-NC 4.0. Source datasets and individual documents retain their own licenses and terms. Users are 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 · pytorch

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
c6bd0f2

0 моделей