/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
508 млн
Размер весов
34,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_moe · MoE
Библиотека
transformers
Опубликована
8 апр 2026

Marco-Mini-Instruct

Генерация текстаТекст → текст13 профессий

Мультиязычная инструкционная MoE-модель Alibaba для диалогов, ответов на вопросы, рассуждений и перевода с низким числом активируемых параметров на токен.

191скачиваний за 30 дней54лайкавеса обновлены10 апр 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Marco-Mini-Instruct — мультиязычная языковая модель с настройкой на выполнение инструкций от Alibaba International Digital Commerce, принадлежащая к семейству Marco-MoE. Это декодерный Transformer с разреженными слоями Mixture-of-Experts, созданный на основе Qwen3-0.6B-Base методом upcycling и затем дообученный на инструкциях и методом on-policy distillation. Всего модель содержит 17,3 млрд параметров, но активирует около 0,86 млрд на токен; метаданные Hugging Face указывают 507,9 млн параметров. Эти оценки размера расходятся, поэтому их следует трактовать с учётом источника.

Модель предназначена для диалогов, следования инструкциям, ответов на общие и специализированные вопросы, рассуждений, структурированного вывода и перевода. Она поддерживает 29 языков, включая русский, английский и китайский, и имеет контекст длиной 32 768 токенов. В карточке приведены результаты сравнительных тестов, где модель показывает сильные результаты на англоязычных и мультиязычных бенчмарках; они не гарантируют качество для каждого языка или прикладной задачи. Для развёртывания README рекомендует vLLM; для SGLang требуется специальная сборка из-за ограничений поддержки MoE с tied embeddings. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы на русском и других поддерживаемых языках
  • ведение мультиязычного диалога и выполнение инструкций
  • генерация структурированных ответов
  • решение задач на общие знания и рассуждение
  • перевод между поддерживаемыми языками

Ограничения

Сравнительные результаты бенчмарков из README не гарантируют качество на конкретных задачах и языках. README указывает на ограниченную поддержку модели в SGLang и рекомендует vLLM для развёртывания.

Для каких профессий подходит13

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Marco-Mini-Instruct

Marco-Mini-Instruct is the instruction-tuned variant of Marco-Mini-Base, a highly sparse Mixture-of-Experts (MoE) multilingual language model from the Marco-MoE family, developed by Alibaba International Digital Commerce. It activates only 0.86B out of 17.3B total parameters (5% activation ratio) per token. Marco-Mini-Instruct achieves the best average performance across English, multilingual general, and multilingual cultural benchmarks when compared against instruct models with up to 12B activated parameters, including Qwen3-4B-Instruct, Ministral3-8B-Instruct, Gemma3-12B-Instruct, LFM2-24B-A2B, and Granite4-Small-Instruct.

Model Description

Marco-Mini-Instruct shares the same architecture as Marco-Mini-Base: a decoder-only Transformer with sparse MoE layers replacing standard FFN layers, upcycled from Qwen3-0.6B-Base using fine-grained sub-matrix splitting combined with Drop-Upcycling.

ConfigurationValue
Total Parameters17.3B
Activated Parameters0.86B
Activation Ratio5%
Num Layers28
Model Dimension1024
FFN Intermediate Dimension3072
Q-Heads16
KV-Heads8
Head Dimension128
Expert Dimension768
Total Experts256
Activated Experts8
Tie EmbeddingsTrue
Training FLOPs$1.56 \times 10^{23}$

Post-Training Details

Marco-Mini-Instruct is trained from Marco-Mini-Base using a two-stage post-training pipeline implemented with the SLIME framework:

Stage 1: Supervised Fine-Tuning (SFT)

  • Duration: ~24 hours on 64 GPUs
  • Steps: ~4,000 (1 epoch)
  • Learning rate: 1e-5 with cosine decay to 1e-6
  • Batch size: 512, context length 8,192 tokens

Data sources:

  1. General instructions — Dolci-Instruct dataset, augmented with Nemotron-Cascade-2 data
  2. Knowledge-intensive data — Scientific prompts from Nemotron-Cascade-2, responses distilled from Gemini3-Flash
  3. Translation data — Web-mined NLLB translation pairs, filtered and scored with Qwen3-Embedding-8B (top 10K per language)
  4. Multilingual & cultural data — Wikidata-sourced content with Gemini3-Flash text synthesis for cultural concepts.

Stage 2: On-Policy Distillation (OPD)

  • Duration: ~110 hours on 64 GPUs
  • Steps: ~3,800 total (2 responses sampled per prompt)
  • Learning rate: 1e-6 (constant)

Cascaded distillation:

  1. ~1,900 steps with Qwen3-30B-A3B-Instruct as teacher
  2. ~1,900 steps with Qwen3-Next-80B-A3B-Instruct as stronger teacher

OPD data mixture:

CategoryDatasetsRatio
Instruction FollowingNemotron-RL-instruction-following + structured outputs25%
Knowledge & ReasoningNemotron-RL-ReasoningGym-v1 + knowledge-mcqa25%
AlignmentNemotron-Cascade-RL-RLHF10%
MathDAPO-Math-17k + Skywork-OR1-RL-Data10%
MultilingualTranslation + Cultural + Nemotron-SFT-Multilingual-v130%

Supported Languages

English, Chinese, Arabic, German, Spanish, French, Korean, Japanese, Portuguese, Turkish, Indonesian, Italian, Dutch, Polish, Russian, Vietnamese, Thai, Hebrew, Ukrainian, Malay, Bengali, Czech, Urdu, Kazakh, Greek, Romanian, Hungarian, Nepali, Azerbaijani

Evaluation

We compare Marco-Mini-Instruct against strong instruct baselines: Qwen3-4B-Instruct (4B activated), Ministral3-8B-Instruct (8.8B activated), Gemma3-12B-Instruct (12B activated), Granite4-Small-Instruct (9B activated), and LFM2-24B-A2B (2B activated). Marco-Mini-Instruct uses only 0.86B activated parameters. Avg@8 accuracies are reported, except for GlobalMMLU and MMMLU where Acc@1 is reported.

English

BenchmarkQwen3-4BMinistral3-8BGemma3-12BGranite4-SmallLFM2-24B-A2BMarco-Mini
MMLU (Acc)80.879.876.276.774.983.4
MMLU-Redux (Acc)80.979.976.276.774.983.5
MMLU-Pro (Acc)66.963.955.857.157.670.7
AGIEval (Acc)51.752.443.644.749.055.4
GPQA-Diamond (Acc)50.844.835.238.639.750.3
GSM8K (EM)88.689.589.783.987.293.1
MATH (EM)93.486.283.875.783.991.8
Average73.370.965.864.866.775.5

Multilingual — General

BenchmarkQwen3-4BMinistral3-8BGemma3-12BGranite4-SmallLFM2-24B-A2BMarco-Mini
GlobalMMLU (Acc)70.255.469.267.457.073.3
MMMLU (Acc)71.356.469.468.162.373.7
MMLU-ProX-Lite (Acc)58.343.351.351.643.361.2
MGPQA (Acc)41.030.532.835.032.741.8
FLORES-200 En→Xx (BLEU)22.117.535.631.919.230.6
FLORES-200 Xx→En (BLEU)33.531.040.332.222.736.8
WMT24++ En→Xx (BLEU)20.914.432.126.616.026.8
WMT24++ Xx→En (BLEU)29.924.235.527.518.831.3
MGSM (EM)84.468.784.075.767.887.4
PolyMath (EM)47.226.435.528.929.344.7
Average47.936.848.644.536.950.8

Multilingual — Cultural & Regional

BenchmarkQwen3-4BMinistral3-8BGemma3-12BGranite4-SmallLFM2-24B-A2BMarco-Mini
INCLUDE (Acc)63.850.765.060.349.165.6
Global-PIQA (Acc)79.661.382.280.269.084.2
CMMLU (Acc)78.667.460.859.656.775.3
C-Eval (Acc)80.468.059.759.456.775.4
ArabicMMLU (Acc)66.041.470.166.361.367.8
TurkishMMLU (Acc)71.648.264.457.933.474.7
GreekMMLU (Acc)68.649.577.771.744.772.5
KazakhMMLU (Acc)66.659.166.863.547.668.8
IndoMMLU (Acc)64.452.465.359.642.765.7
IndoCareer (Acc)62.253.463.256.343.764.4
IndoCulture (Acc)58.747.869.659.344.267.1
Average69.154.567.763.149.971.0

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "AIDC-AI/Marco-Mini-Instruct"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name, device_map="auto")

messages = [
    {"role": "user", "content": "What is the capital of France?"}
]
inputs = tokenizer.apply_chat_template(messages, return_tensors="pt", add_generation_prompt=True).to(model.device)
outputs = model.generate(inputs, max_new_tokens=256)
print(tokenizer.decode(outputs[0][inputs.shape[-1]:], skip_special_tokens=True))

Note: vLLM is the recommended engine for deployment, as SGLang currently lacks support for MoE models with tied embeddings (see PR #20127). If SGLang is required for your workflow, please use the specific build at commit e5f48b32abff027d859a43b7d5ba3aece04471c7.

Citation

@article{marco-moe,
  title={Marco-MoE: Open Multilingual Mixture-of-Expert Language Models with Efficient Upcycling},
  author={Fan Jiang, Yu Zhao, Chenyang Lyu, Tianqi Shi, Yichao Du, Feihu Jiang, Longyue Wang and Weihua Luo},
  year={2026}
}

License

This model is released under the Apache 2.0 License.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3MoeForCausalLM
Ревизия весов
a85af58

0 моделей