/ Модель
Каталог

Характеристики

Контекст
4 096 токенов
Параметры
7,5 млрд
Лицензия
Своя лицензия
Архитектура
llama · dense
Базовая модель
marin-8b-base
Библиотека
transformers
Опубликована
31 июл 2026

Ссылки

Hugging Face

capsd-marin-8b-base-science_kcenter_b8000_s0

AmberYifan
Генерация текстаТекст → текст

Дообученная 7,5-миллиардная Llama-модель для генерации текста и диалоговых ответов, обученная на смеси научных материалов и Stack Exchange.

13скачиваний за 30 дней0лайковвеса обновлены31 июл 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.

Открыть конструктор бенчмарка

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

AmberYifan/capsd-marin-8b-base-science_kcenter_b8000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. Обучение проводилось на наборе capsd_marin-8b-base-n80000-sciweb-stackexchange__mix_science_kcenter_b8000_s0; название набора указывает на научные материалы и Stack Exchange, но подробности состава и процедуры обучения не приведены.

Модель с плотной архитектурой LlamaForCausalLM содержит 7,5 млрд параметров и предназначена для генерации текста. Её можно применять для продолжения текста и ответов в диалоговом формате, в том числе по научным темам; контекст составляет 4096 токенов. Указана библиотека Transformers и формат весов safetensors.

Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в карточке модели. README не приводит результатов оценки, подтверждённых характеристик качества или подробных ограничений.

Сценарии применения

  • генерация и продолжение текста на научные темы
  • ответы на вопросы по научным материалам
  • диалоговые ответы на основе Stack Exchange
  • создание черновиков научных объяснений

Ограничения

README не содержит результатов оценки качества или подтверждённых ограничений; условия лицензии other требуют проверки в карточке модели.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

marin-8b-base_science_kcenter_b8000_s0

This model is a fine-tuned version of marin-community/marin-8b-base on the capsd_marin-8b-base-n80000-sciweb-stackexchange__mix_science_kcenter_b8000_s0 dataset.

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 2
  • eval_batch_size: 8
  • seed: 0
  • distributed_type: multi-GPU
  • num_devices: 4
  • gradient_accumulation_steps: 8
  • total_train_batch_size: 64
  • total_eval_batch_size: 32
  • optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_steps: 0.03
  • num_epochs: 1

Training results

Framework versions

  • Transformers 5.7.0
  • Pytorch 2.13.0+cu130
  • Datasets 4.0.0
  • Tokenizers 0.22.2

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
42737ef

0 моделей

    Создать бенчмарк