/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
3,7 млрд
Лицензия
Apache 2.0
Архитектура
ar · dense
Библиотека
transformers
Опубликована
6 окт 2026

AR-4B-base

Генерация текстаТекст → текст

Базовая языковая модель на 4,02 млрд параметров для продолжения английских текстов, кода и математических рассуждений, а также дальнейшего дообучения.

218скачиваний за 30 дней1лайквеса обновлены6 окт 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

AR-4B-base — плотная авторегрессионная языковая модель Ajay Rangoji на 4,02 млрд параметров, обученная с нуля как decoder-only Transformer. Архитектура включает 36 слоёв, grouped-query attention и SwiGLU. Модель предварительно обучена на примерно 325 млрд токенов английских текстов, кода и математики; в метаданных указана длина контекста 40 960 токенов, хотя в README обучение описано с последовательностями длиной 4 096 токенов.

Это базовая модель без дообучения на инструкциях и без RLHF: она продолжает заданный текст и предназначена прежде всего для дальнейшего предобучения, SFT, RLHF или дистилляции. Этап обучения с упором на математику и код улучшил результаты на задачах рассуждения и HumanEval, но немного ухудшил метрику английского языка. Модель использует токенизатор Qwen3 и распространяется в формате safetensors.

Модель ориентирована на английский язык; ожидается более слабая работа на других языках. Более длинный контекст поддерживается технически, но обучение проводилось на 4 096 токенах. Модель не проходила обучение безопасности и не оценивалась на стандартных тестах безопасности, поэтому её ответы могут быть ошибочными, предвзятыми или небезопасными. Лицензия — Apache-2.0.

Сценарии применения

  • продолжение английского текста
  • генерация и дополнение кода
  • получение исходной модели для SFT
  • продолжение предобучения языковой модели
  • эксперименты с дообучением на математических задачах

Ограничения

Модель не настроена на выполнение инструкций и не является чат-моделью; обучение безопасности не проводилось, поэтому возможны фактически неверные, предвзятые или небезопасные ответы. Хотя метаданные указывают контекст 40 960 токенов, обучение описано с длиной последовательности 4 096 токенов; работа на других языках, вероятно, слабее английского.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AR-4B (base)

AR-4B is a 4.02B-parameter decoder-only transformer, pretrained from scratch on about 325B tokens of English, code and math. It's a base model: no instruction tuning or RLHF, so it continues text rather than following chat instructions.

  • Parameters: 4.02B (36 layers, hidden size 2,560, grouped-query attention, SwiGLU MLP)
  • Context length: 4,096 during pretraining (position encoding supports longer)
  • Pretraining tokens: ~325B (Stage 1 ~300B general + Stage 2 ~25B math/code anneal)
  • Precision: bf16

Load the model

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

name = "AjayRangoji/AR-4B-base"
tok = AutoTokenizer.from_pretrained(name)
model = AutoModelForCausalLM.from_pretrained(
    name, torch_dtype=torch.bfloat16, device_map="auto",
    trust_remote_code=True,                                   # loads modeling_ar.py from this repo
)

prompt = "The quickest way to sort a list in Python is"
inputs = tok(prompt, return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=64, do_sample=False)
print(tok.decode(out[0], skip_special_tokens=True))

trust_remote_code=True is required because the repo ships its own small modeling_ar.py.

Architecture

Layers36 decoder blocks, pre-norm, residual
Hidden size2,560
AttentionGrouped-query: 32 query heads, 8 key/value heads, head dim 128
Attention stabilityRMSNorm on each head's Q and K (QK-norm), before RoPE
PositionsRoPE, base theta = 1,000,000
MLPSwiGLU, inner size 9,728
NormalizationRMSNorm (eps = 1e-6), computed in fp32
EmbeddingsInput embedding tied to output head (saves 389M parameters)
Vocabulary151,936 BPE tokens
Document separator`<

Forward pass: token embedding -> 36 x [RMSNorm -> GQA (QK-norm, RoPE) -> add residual -> RMSNorm -> SwiGLU -> add residual] -> final RMSNorm -> tied output head -> 151,936 next-token scores per position.

Training

Pure data parallelism with PyTorch FSDP2, bf16 compute / fp32 reductions, activation checkpointing on every block, FlexAttention with a causal + same-document mask.

Stage 1: generalStage 2: reasoning anneal
Steps0 - 572,000572,000 - 619,699
Tokens~300B~25B
English65% FineWeb-Edu (191B unique)20% FineWeb-Edu, int_score >= 4 only
Textbooks-10% Cosmopedia v2
Code20% The Stack (dedup), 9 languages30% same code
Math15% FineMath 4+ / 3+40% FineMath 4+, InfiWebMath 4+, FineMath 3+
LRwarmup 2,000 -> 3e-4 -> cosine -> 3e-5warmup 1,000 -> 1e-4 -> cosine -> 1e-5
  • Batch: 524,288 tokens per optimizer step (64 GPUs x 2 sequences x 4,096 tokens).
  • Optimizer: AdamW, beta = (0.9, 0.95), weight decay 0.1, gradient clip 1.0.
  • Hardware: Up to 8 nodes x 8 H100 80GB (64 GPUs) on an AWS cluster, EFA network, Lustre storage.
  • Throughput: about 500K tokens/s on 64 GPUs (~22% MFU).

Evaluation (base model, no instruction tuning)

Held-out loss on data the model never trained on; HumanEval and GSM8K are standard benchmarks for 4B base models.

MetricStage 1 finalStage 2 final
Python held-out loss (lower is better)0.9660.929
English held-out loss (lower is better)2.2202.300
HumanEval pass@1 (greedy)18.9% (31/164)25.0% (41/164)
GSM8K 8-shot exact match31.6% (79/250)43.6% (109/250)

As expected from the Stage 2 mix (40% math, 30% code), reasoning benchmarks improved substantially while general English loss moved slightly up.

Tokenizer

Uses the Qwen3 BPE tokenizer (Qwen/Qwen3-4B) - 151,936 vocab, strong on English, code and math. Credit to the tokenizer's authors. Document separator in training: <|im_end|> (id 151645).

Intended use and limitations

  • Base model for continued pretraining, SFT, RLHF, or distillation. Not a chat model.
  • No safety training. Outputs may be factually wrong, biased or unsafe. Review and filter before any downstream use.
  • English-dominant data. Behavior in other languages is likely weaker, even where the tokenizer handles them.
  • 4,096-token context in pretraining; longer contexts work mechanically through RoPE but have not been trained.
  • Not evaluated on standard safety benchmarks.

Data sources

Each dataset keeps its original license; see the links above.

License

Model weights and code: Apache 2.0. The tokenizer's license is the one it ships with.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
ARForCausalLM
Ревизия весов
226b931

0 моделей