/ Модель

Характеристики

Контекст
8 192 токена
Параметры
134 млн
Размер весов
269 МБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Библиотека
transformers
Опубликована
18 мая 2026

l20-edu-135m

Генерация текстаТекст → текст3 профессии

Компактная Llama-модель на 134,5 млн параметров для генерации текста и экспериментов с обучением и дообучением небольших языковых моделей.

118скачиваний за 30 дней4лайкавеса обновлены16 июн 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

L20 Edu 135M Stage 4 — компактная причинно-авторегрессионная языковая модель семейства Llama, созданная AliceYin для экспериментов с предварительным обучением, продолжением обучения и отбором данных на одной видеокарте NVIDIA L20. Модель содержит 134,5 млн параметров и принимает контекст до 8192 токенов; веса опубликованы в формате safetensors, библиотека для работы — Transformers.

Модель обучалась примерно на 13 млрд токенов: первоначально на FineWeb-Edu, затем на отфильтрованной смеси образовательных материалов, кода и данных для рассуждений. Выпуск Stage 4 включает SFT и интерполяцию с базовыми весами для снижения забывания. Модель предназначена для генерации текста и изучения полного цикла обучения небольших языковых моделей; карточка сообщает о проверке на шести задачах, но результаты уступают более крупным по бюджету обучения моделям того же размера.

Лицензия — Apache-2.0. Компактный размер и обучение на одной L20 делают модель подходящей для экспериментов и дообучения, однако её оценки на тестах и малый бюджет обучения указывают на ограничения качества по сравнению с более интенсивно обученными моделями. Автор рекомендует отдельно проверять фактическую точность, безопасность и пригодность к конкретной задаче перед использованием.

Сценарии применения

  • генерация продолжений текста
  • эксперименты с предварительным обучением языковых моделей
  • проверка методов очистки и дедупликации обучающих данных
  • дообучение компактной языковой модели под прикладную задачу
  • сравнение небольших моделей на тестах рассуждения и понимания текста

Ограничения

Модель обучалась на существенно меньшем бюджете токенов, чем приведённые в карточке модели сравнения, и показывает более низкие средние результаты, чем SmolLM-135M в указанном сравнении. Перед применением следует отдельно оценить точность, безопасность и соответствие конкретной задаче.

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

L20 Edu 135M Stage 4

l20-edu-135m is a 134.5M-parameter Llama-style language model trained and improved on a single NVIDIA L20 GPU. The default checkpoint is the selected Stage 4 anti-forgetting release: an 87.5% SFT checkpoint blended with 12.5% Stage 4 base weights, chosen by six-task regression gates.

The key result is token and compute efficiency: the released model uses roughly 13B pretraining/continual-pretraining tokens total (10B initial FineWeb-Edu pretraining + 3B Stage 4 curated continuation), while public 135M SmolLM references use far larger budgets: SmolLM-135M reports 600B pretraining tokens and SmolLM2-135M reports 2T pretraining tokens. That puts this release at about 2.2% of SmolLM-135M token budget and about 0.65% of SmolLM2-135M token budget, trained on one L20 rather than the 64 H100 setup reported by the SmolLM model cards.

Highlights

  • Parameters: 134,515,008
  • Hardware: single NVIDIA L20 GPU
  • Initial pretraining: 10,001,252,352 FineWeb-Edu tokens
  • Stage 4 continuation: 3,000,000,965 curated tokens
  • Released pretraining-token total: about 13.0B tokens
  • Throughput from the initial 10B run: 38.5k tokens/s mean after warmup
  • Context length: 8,192 tokens for Stage 4 continued pretraining
  • Data filtering: cross-source MinHash/LSH deduplication, sentence/paragraph deduplication, benchmark decontamination, and LCS overlap removal
  • Selection: benchmark regression gates and base/SFT interpolation to preserve general benchmark performance

Token-Budget Context

ModelReported pretraining tokensHardware in public cardRelative to this release
L20 Edu 135M Stage 4~13.0B1x NVIDIA L201.00x
SmolLM-135M600B64x H100~46.2x more tokens
SmolLM2-135M2T64x H100~153.8x more tokens

This comparison is about training-budget context, not a claim of identical data, tokenizer, architecture, or benchmark protocol. The useful takeaway is that the project demonstrates a complete small-model pretraining, curation, evaluation, SFT, and release pipeline under a much smaller single-GPU budget.

Benchmark Comparison

ModelParamsReported tokensReported hardware6-task MeanBudget context
L20 Edu 135M Stage 4134.5M~13B1x NVIDIA L200.41501.00x
SmolLM-135M135M600B64x H1000.4767~46.2x tokens
SmolLM2-135M135M2T64x H1000.4917~153.8x tokens
Qwen2.5-0.5B0.49Bnot reported in HF cardnot reported in HF card0.5363larger reference
OLMo-1B1B3Tnot listed in HF card0.5681~230.8x tokens; 1B upper bound

These are same-protocol self-run numbers on the released checkpoints. The key same-size comparison is SmolLM-135M: this release is 0.0617 mean points behind while using about 2.2% of SmolLM-135M's reported token budget and a single L20 instead of the 64 H100 setup reported in its model card. Qwen2.5-0.5B and OLMo-1B are included as larger reference/upper-bound checkpoints, not same-size baselines.

Detailed task-level scores are included in eval_results/stage4_release/model_comparison/summary.md, summary.csv, and summary.json.

Selected Six-Task Results

Regression gate: passed. The selected SFT/interpolated release reaches a six-task mean of 0.4150 versus 0.4141 for the Stage 4 base.

TaskMetricScore
ARC-Challengeacc_norm,none0.2867
ARC-Easyacc_norm,none0.4958
HellaSwagacc_norm,none0.3240
LAMBADA OpenAIacc,none0.2602
PIQAacc_norm,none0.6148
WinoGrandeacc,none0.5083
Meanselected metric average0.4150

Stage 4 Base Results

TaskMetricScore
ARC-Challengeacc_norm,none0.2833
ARC-Easyacc_norm,none0.5046
HellaSwagacc_norm,none0.3243
LAMBADA OpenAIacc,none0.2482
PIQAacc_norm,none0.6181
WinoGrandeacc,none0.5059

Data Gate

  • Status: pass
  • Validation tokens: 4,194,398
  • Stage 4 indexed documents: 3,312,229
  • Indexed sentence/paragraph segments: 34,852,069
  • Benchmark-contaminated documents removed: 23
  • Benchmark audit: ARC-Challenge, ARC-Easy, HellaSwag, PIQA, LAMBADA OpenAI, and WinoGrande
  • Matching: 13-gram candidates plus token LCS overlap >= 0.60 removal
  • Deduplication: 64-permutation MinHash with LSH candidate search across sources

Training And Selection

  • Initial model: 10B-token from-scratch FineWeb-Edu run on one L20
  • Stage 4 data: high-quality cross-deduplicated educational/code/reasoning mix
  • Stage 4 selected base checkpoint: step 2500
  • Selected validation loss: 2.9263725876808167
  • SFT data: filtered HuggingFaceTB/smol-smoltalk style data for the 135M model
  • SFT training rows: 426,842
  • Anti-forgetting: model soup/interpolation candidates selected by six-task regression gates

Reproducibility

Evaluation uses lm-evaluation-harness with fixed seed and full zero-shot task datasets for ARC-Challenge, ARC-Easy, HellaSwag, LAMBADA OpenAI, PIQA, and WinoGrande. Artifacts and summaries are included under eval_results/ in the model repository.

Generated: 2026-06-16T16:55:19.734757+00:00

Intended Use

This is a research model for small-model pretraining, data curation, continual pretraining, evaluation, and downstream fine-tuning experiments. Users should independently validate factuality, safety, and task suitability before deployment.

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
a5a7128

0 моделей