/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
1,2 млрд
Лицензия
MIT
Архитектура
llama · dense
Библиотека
transformers
Опубликована
4 сен 2026

comp-vs-like-1B-unigramlm-multi-128k

Генерация текстаТекст → текст3 профессии

Исследовательская языковая модель Llama на 1,23 млрд параметров с токенизатором UnigramLM для изучения влияния токенизации на генерацию и языковые метрики.

122скачиваний за 30 дней0лайковвеса обновлены4 сен 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

AhmetcanYvz/comp-vs-like-1B-unigramlm-multi-128k — плотная языковая модель в стиле Llama, созданная для исследования токенизации в работе «Objective vs. Search: Decomposing What Makes a Good Tokeniser» (EMNLP 2026). Модель содержит 1,23 млрд параметров, имеет 22 слоя и использует токенизатор UnigramLM с размером словаря 128 000; контекст — 2048 токенов.

Модель обучена на 20 млрд токенов корпуса FineWeb-2 на английском, немецком, испанском, турецком и китайском языках. Она предназначена для экспериментов по сравнению токенизаторов и оценке языковых моделей, в том числе по метрикам bits-per-byte и BLiMP; в коллекции модели отличаются токенизатором, что позволяет изучать его влияние. Это базовая модель для генерации текста, без дообучения на инструкции. Она выпущена под лицензией MIT.

Модель не предназначена для развёртывания в пользовательских приложениях; она не настроена на выполнение инструкций и не прошла фильтрацию безопасности. Результаты генерации могут содержать небезопасный контент.

Сценарии применения

  • сравнение токенизаторов в языковых моделях
  • эксперименты с метриками bits-per-byte
  • оценка языковых моделей на тесте BLiMP
  • генерация текста на английском и других языках корпуса FineWeb-2

Ограничения

Модель не настроена на выполнение инструкций, не фильтровалась по безопасности и не предназначена для развёртывания. Она обучалась как исследовательский инструмент для изучения токенизации.

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

comp-vs-like-1B-unigramlm-multi-128k

A 1.2B-parameter Llama-style language model trained with the UnigramLM tokeniser, from Objective vs. Search: Decomposing What Makes a Good Tokeniser (EMNLP 2026).

The paper separates two axes that BPE and UnigramLM confound. This model occupies the cell:

Compression objectiveLog-likelihood objective
Bottom-up mergingBPEBottomUpLL
Top-down pruningTopDownCompUnigramLM

This model: UnigramLM — log-likelihood objective, top-down pruning.

All models in the collection are identical except for the tokeniser, so differences in bits-per-byte and BLiMP are attributable to tokeniser design alone.

Training

Parameters1.23B (2048 hidden, 22 layers, 32 heads, 4 KV heads, tied embeddings)
Tokeniserunigramlm-multi-128k, vocabulary 128,000
CorpusFineWeb-2 (English + German, Spanish, Turkish, Chinese)
Tokens20B (76,293 steps x 128 sequences x 2048 tokens)
Sequence length2048
OptimiserAdamW (0.9, 0.95), weight decay 0.1, grad clip 1.0
LR6e-4, 2000 warmup / 2000 decay steps, min ratio 0.01
Precisionbf16
Seed42

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

tok = AutoTokenizer.from_pretrained("AhmetcanYvz/comp-vs-like-1B-unigramlm-multi-128k")
model = AutoModelForCausalLM.from_pretrained("AhmetcanYvz/comp-vs-like-1B-unigramlm-multi-128k")

ids = tok("The capital of France is", return_tensors="pt").input_ids
print(tok.decode(model.generate(ids, max_new_tokens=20)[0]))

The tokeniser is bundled with the model, so no separate download is needed.

Caveats

This is a research model trained on 20B tokens to study tokenisation. It is not instruction-tuned, not filtered for safety, and not intended for deployment.

Code

https://github.com/Ahmetcanyvz/comp-vs-like

Citation

@inproceedings{yavuz2026objective,
  title     = {Objective vs. Search: Decomposing What Makes a Good Tokeniser},
  author    = {Yavuz, Ahmetcan and Meister, Clara and Pimentel, Tiago},
  booktitle = {Proceedings of the 2026 Conference on Empirical Methods in Natural Language Processing (EMNLP)},
  year      = {2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
4595f5f

0 моделей