/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
508 млн
Размер весов
16 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_moe · MoE
Библиотека
transformers
Опубликована
3 апр 2026

Marco-Nano-Instruct

Генерация текстаТекст → текст13 профессий

Разреженная многоязычная MoE-модель для диалогов, следования инструкциям, ответов на вопросы и генерации текста.

311скачиваний за 30 дней43лайкавеса обновлены12 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-Nano-Instruct — многоязычная причинная языковая модель семейства Marco-MoE, разработанная Alibaba International Digital Commerce. Это вариант Marco-Nano-Base, дообученный для следования инструкциям, диалога и вызова инструментов. Модель построена на декодерном Transformer с разреженными MoE-слоями; в карточке указано 507,9 млн параметров, а в README — 8 млрд общих и 0,6 млрд активируемых параметров на токен. Эти значения расходятся, поэтому размер следует трактовать с осторожностью.

Модель предназначена для генерации ответов, следования инструкциям, рассуждений, ответов на вопросы и многоязычных сценариев, включая перевод. README сообщает о поддержке 29 языков, в том числе русского, английского и китайского; контекст в метаданных — 32 768 токенов. Для инференса рекомендован vLLM; указано, что SGLang не поддерживает эту конфигурацию MoE с tied embeddings. Лицензия — Apache-2.0. В README приведены сильные сравнительные результаты на англоязычных, многоязычных и культурно-региональных бенчмарках, но они не гарантируют качество для любого запроса или языка.

Сценарии применения

  • ответы на вопросы на разных языках
  • диалоговый помощник с вызовом инструментов
  • выполнение текстовых инструкций и структурированных запросов
  • многоязычный перевод
  • генерация ответов для задач на знания и рассуждение

Ограничения

В README отмечено ограничение совместимости: SGLang не поддерживает MoE-модели с tied embeddings для этой конфигурации; рекомендован vLLM. Размер модели в README и метаданных расходится.

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-Nano-Instruct

Marco-Nano-Instruct is the post-trained variant of Marco-Nano-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 0.6B out of 8B total parameters (7.5% activation ratio) per token. Despite its extreme sparsity, Marco-Nano-Instruct achieves the best average performance across English, multilingual general, and multilingual cultural benchmarks among all comparable instruct models up to 3.84B activated parameters.

Model Description

Marco-Nano-Instruct shares the same architecture as Marco-Nano-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 Parameters8B
Activated Parameters0.6B
Activation Ratio7.5%
Num Layers28
Model Dimension1024
FFN Intermediate Dimension3072
Q-Heads16
KV-Heads8
Head Dimension128
Expert Dimension384
Total Experts232
Activated Experts8
Tie EmbeddingsTrue
Training FLOPs$1.40 \times 10^{23}$

Post-Training Details

Marco-Nano-Instruct is trained from Marco-Nano-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: ~2,900 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. ~1,000 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-Nano-Instruct against instruct models of comparable size: Qwen3-1.7B-Instruct (1.7B activated), Qwen3-VL-2B-Instruct (2B activated), Ministral3-3B-Instruct (3.84B activated), LFM2-8B-A1B (1.5B activated), and Granite4-Tiny-Instruct (1.47B activated). Marco-Nano-Instruct uses only 0.6B activated parameters — the smallest among all baselines. Avg@8 accuracies are reported, except for GlobalMMLU and MMMLU where Acc@1 is reported.

English

BenchmarkQwen3-1.7BQwen3-VL-2BMinistral3-3BLFM2-8B-A1BGranite4-TinyMarco-Nano
MMLU (Acc)62.462.169.872.150.873.2
MMLU-Redux (Acc)62.462.269.671.951.273.3
MMLU-Pro (Acc)35.238.349.549.525.354.5
AGIEval (Acc)39.633.044.745.230.749.8
GPQA-Diamond (Acc)27.521.031.631.928.322.2
GSM8K (EM)77.979.779.084.671.186.7
MATH (EM)70.673.770.282.653.479.6
Average53.752.959.262.544.462.8

Multilingual — General

BenchmarkQwen3-1.7BQwen3-VL-2BMinistral3-3BLFM2-8B-A1BGranite4-TinyMarco-Nano
GlobalMMLU (Acc)46.345.938.449.043.058.7
MMMLU (Acc)49.049.039.456.544.159.9
MMLU-ProX-Lite (Acc)28.630.326.733.822.143.2
MGPQA (Acc)25.322.318.827.225.921.6
FLORES-200 En→Xx (BLEU)12.715.38.314.922.522.3
FLORES-200 Xx→En (BLEU)28.228.618.920.130.431.1
WMT24++ En→Xx (BLEU)13.214.64.414.618.918.7
WMT24++ Xx→En (BLEU)26.426.28.317.925.127.3
MGSM (EM)63.667.647.056.555.376.5
PolyMath (EM)23.425.516.326.518.729.6
Average31.732.522.731.730.638.9

Multilingual — Cultural & Regional

BenchmarkQwen3-1.7BQwen3-VL-2BMinistral3-3BLFM2-8B-A1BGranite4-TinyMarco-Nano
INCLUDE (Acc)44.944.435.443.538.654.3
Global-PIQA (Acc)62.065.850.660.863.370.7
CMMLU (Acc)60.463.348.952.739.260.0
C-Eval (Acc)58.763.250.650.839.460.8
ArabicMMLU (Acc)48.846.922.756.543.456.5
TurkishMMLU (Acc)42.739.638.626.331.659.9
GreekMMLU (Acc)48.748.038.440.044.861.6
KazakhMMLU (Acc)46.047.141.439.639.656.3
IndoMMLU (Acc)48.849.335.241.137.256.3
IndoCareer (Acc)46.145.736.041.734.754.9
IndoCulture (Acc)45.847.737.245.942.859.1
Average50.351.039.545.441.359.1

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "AIDC-AI/Marco-Nano-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
4ff10d0

0 моделей