/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
custom_gpt · MoE
Библиотека
transformers
Опубликована
16 авг 2026

project-828-gpt-base

Генерация текстаТекст → текст9 профессий

Компактная MoE-языковая модель для генерации кода и технических рассуждений с контекстом до 8192 токенов.

46скачиваний за 30 дней0лайковвеса обновлены16 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

AkshithAI разработала project-828-gpt-base — авторегрессионную языковую модель на базе decoder-only Transformer с причинным декодированием и MoE-слоями. В модели 398,7 млн параметров, из которых около 286 млн активны при обработке каждого токена; маршрутизатор выбирает два из четырёх специализированных экспертов и использует общего эксперта. Модель рассчитана на генерацию кода и технические рассуждения, а также обучалась на данных общего назначения, математики и инженерии.

В архитектуре применяются GQA, нормализация QK, SwiGLU и RoPE с расширением контекста YaRN: базовая длина контекста — 2048 токенов, с расширением — до 8192. Карточка указывает поддержку английского языка и способность работать с кодом. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. README не приводит результаты сравнительных оценок качества, поэтому пригодность для конкретного языка программирования или сложных технических задач следует проверять на собственных примерах.

Сценарии применения

  • генерация фрагментов программного кода
  • дополнение кода по контексту
  • объяснение технических решений и концепций
  • помощь в решении задач по информатике и математике

Ограничения

README не сообщает результаты бенчмарков и не подтверждает качество на конкретных языках программирования. Базовый контекст составляет 2048 токенов; расширение до 8192 заявлено с применением YaRN.

Для каких профессий подходит9

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

project-828-gpt-base

A 398.7M parameter Mixture-of-Experts (MoE) causal language model optimized for code generation and technical reasoning, pretrained on ~60B tokens.

398.7M total parameters, ~286M active per token — 4 routed experts + 1 shared expert with top-2 routing per token.

Model Architecture

PropertyValue
ArchitectureDecoder-only Transformer with MoE FFN layers
Total Parameters398.7M
Active Parameters / Token~286M
Hidden Dimension ($d_{\text{model}}$)768
Intermediate Size ($d_{\text{ff}}$)760
Hidden Layers24
Attention Heads / KV Heads12 / 6 (GQA 2:1)
Head Dimension64
Routed Experts4
Active Experts / Token2 (Top-2)
Shared Experts1
Context Length2048 (extensible to 8192 via YaRN)
Vocabulary Size49152
PrecisionBFloat16 Mixed Precision
Positional EncodingRoPE with YaRN scaling support

Parameter Breakdown

ComponentParameters
Embeddings~37.7M
Unembedding~37.8M
Attention (×24 layers)~1.8M each
MoE FFN (×24 layers)~11.7M each
Layer Norms + Misc~0.07M
Total398.7M

Key Architectural Features

  • Grouped Query Attention (GQA): 12 query heads with 6 key-value heads (2:1 ratio) for memory-efficient attention
  • QK-Norm: RMSNorm applied to query and key projections before RoPE for attention stability
  • Auxiliary-Loss-Free MoE Routing: Sigmoid gating with dynamic bias adjustment (DeepSeek-V3 paper) — achieves near-perfect ~25% utilization per expert without auxiliary losses
  • SwiGLU Activation with Soft-Clamping: limit=7.0 prevents activation explosions during long training runs
  • Batched Expert Dispatch: Sort-and-slice dispatch with searchsorted boundaries for contiguous memory access
  • RoPE with YaRN Extension: Base context of 2048 tokens, extensible to 8192 via YaRN scaling

Training Details

Phase 1 — Pretraining (~60B tokens)

Training ConfigValue
HardwareH200 GPU
Peak Learning Rate3e-4
Min Learning Rate3e-5
SchedulerWSD (Warmup-Stable-Decay)
Warmup Steps500
Total Steps101,726
Effective Batch Size37 × 8 = 296 sequences
Tokens per Step~0.61M
Gradient Clipping1.0

Training Data Mix

DatasetWeightCategory
starcoderdata — Python14Source Code
starcoderdata — JavaScript8Source Code
starcoderdata — Java6Source Code
starcoderdata — TypeScript4Source Code
starcoderdata — C++6Source Code
starcoderdata — C4Source Code
starcoderdata — C#3Source Code
starcoderdata — Go4Source Code
starcoderdata — Rust3Source Code
starcoderdata — PHP3Source Code
fineweb-edu-dedup20General Knowledge
cosmopedia-v27General Knowledge
wikipedia-en3General Knowledge
finemath-4plus8Math / Reasoning
stackexchange (programming/CS)7CS / Engineering

Category breakdown: Source Code 55% · General Knowledge 30% · Math/Reasoning 8% · CS/Engineering 7%

Quickstart

from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = "AkshithAI/project-828-gpt-base"

tokenizer = AutoTokenizer.from_pretrained(repo_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    repo_id,
    torch_dtype="bfloat16",
    device_map="auto",
    trust_remote_code=True
)

prompt = "def binary_search(arr, target):"
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

outputs = model.generate(
    **inputs,
    max_new_tokens=200,
    temperature=0.7,
    top_p=0.9,
    do_sample=True,
    use_cache=False,
    eos_token_id=tokenizer.eos_token_id,
    pad_token_id=tokenizer.pad_token_id
)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Citation

@misc{project828,
  author = {AkshithAI},
  title = {Project 828: MoE Transformer with Training Pipeline},
  year = {2025},
  publisher = {GitHub},
  url = {https://github.com/AkshithAI/project_828}
}

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
GPTForCausalLM
Ревизия весов
9941aae

0 моделей