/ 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
7 авг 2026

Ссылки

Hugging Face

capsd-opc-dedup-marin-8b-base-code_random_b4000_s0

AmberYifan
Генерация текстаТекст → текст3 профессии

Дообученная 7,5-миллиардная Llama-модель для генерации и продолжения текста, обученная на смеси данных с кодом.

12скачиваний за 30 дней0лайковвеса обновлены7 авг 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

Это дообученная модель семейства Llama на базе marin-community/marin-8b-base, созданная AmberYifan на наборе capsd_marin-8b-base-n80000-opc-dedup80k__mix_code_random_b4000_s0. Она предназначена для генерации и продолжения текста; датасет содержит смесь с кодом, но карточка не описывает конкретные навыки программирования или результаты оценки. Модель имеет 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст с контекстом до 4096 токенов.

Модель опубликована в формате safetensors и доступна через Transformers. В метаданных указана лицензия other; конкретные условия следует сверять с лицензией репозитория и исходной модели. README не приводит оценки качества, подробностей обучающего процесса или ограничений, поэтому пригодность для конкретной задачи стоит проверять отдельно.

Сценарии применения

  • генерация продолжения текста по заданному фрагменту
  • черновая генерация текста с включением кода
  • эксперименты с адаптацией базовой Marin 8B к смешанным данным

Ограничения

README не содержит результатов оценки и не подтверждает специализированные навыки генерации кода. Условия лицензии обозначены как other, а конкретные ограничения использования в карточке не раскрыты.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделейII.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделейII.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

marin-8b-base_code_random_b4000_s0

This model is a fine-tuned version of marin-community/marin-8b-base on the capsd_marin-8b-base-n80000-opc-dedup80k__mix_code_random_b4000_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
875c385

0 моделей

    Создать бенчмарк