/ Модель

Характеристики

Контекст
1 024 токена
Параметры
125 млн
Лицензия
Apache 2.0
Архитектура
gptx · dense
Библиотека
transformers
Опубликована
23 мар 2026

GPT-X-125M

Генерация текстаТекст → текст3 профессии

Компактная англоязычная базовая языковая модель Axiomic Labs для генерации текста и экспериментов с трансформерами.

170скачиваний за 30 дней6лайковвеса обновлены4 июл 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

GPT-X-125M — англоязычная авторегрессионная языковая модель Axiomic Labs, обученная с нуля на архитектуре T-X1. Она содержит около 124,5 млн параметров и предназначена для генерации текста и экспериментов с компактными языковыми моделями. Модель использует 27 слоёв трансформера, RoPE, RMSNorm, SwiGLU и групповое многозапросное внимание (GQA); веса опубликованы в формате safetensors. Контекстное окно — 1024 токена.

Модель обучена на 15 млрд токенов образовательных веб-текстов FineWeb-Edu с токенизатором GPT-2 BPE. По данным карточки, она оценивалась на нескольких бенчмарках в режиме zero-shot. Небольшой размер ограничивает рассуждения и фактическую память; обучение только на образовательных данных сужает тематику, а модель не проходила инструкционное дообучение и не настроена для диалога. Лицензия — Apache-2.0.

Сценарии применения

  • генерация продолжения англоязычного текста
  • эксперименты с компактными авторегрессионными моделями
  • оценка базовой языковой модели на учебных и рассуждательных бенчмарках

Ограничения

Малый размер ограничивает рассуждения и фактическую память; обучение на образовательных веб-текстах может ограничивать охват тем. Модель не настроена для следования инструкциям или диалога, поддерживает контекст до 1024 токенов и рассчитана на английский язык.

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

Axiomic Banner

GPT-X-125M

A modern Llama-style language model trained from scratch based on the T-X1 architecture. 125M parameters, 15B tokens of FineWeb-Edu. Outperforms GPT-3 (125M) on HellaSwag using 20x less training data.

Results

Evaluated with an internal harness modeled on EleutherAI/lm-eval-harness; all benchmarks are zero-shot.

CompanyModelHellaSwagARC (Average)PIQALogicMarkWinograndeArithMarkAverageTraining tokens
HuggingFaceSmolLM2-135M43.22%44.62%67.52%48.78%48.46%33.26%47.64%2T
Axiomic LabsGPT-X2-125M40.55%39.90%66.97%49.12%49.01%34.78%46.72%75B
HuggingFaceSmolLM-135M42.70%43.17%67.19%43.89%50.43%32.34%46.62%600B
FacebookMobileLLM-R1-140M-base33.91%37.47%62.79%45.04%50.28%46.94%46.07%4.2T
Axiomic LabsGPT-X-125M36.57%38.84%65.72%43.83%50.83%30.52%44.39%15B
FacebookMobileLLM-125M38.90%35.50%65.30%42.04%53.10%31.16%44.33%1T
OpenAIGPT-3 (125M)33.70%35.10%64.60%NA52.00%NANA300B
OpenAIGPT-2 Medium (355M)39.40%34.80%66.30%44.90%50.40%34.80%43.94%~10B
OpenAIGPT-2 (124M)31.49%31.40%63.28%44.52%48.54%32.80%42.01%~10B
EleutherAIPythia-160M30.46%29.95%57.94%40.87%49.41%28.06%39.45%~225B
FacebookOPT-125M31.39%31.53%62.02%43.81%49.96%27.48%41.03%180B
EleutherAIGPT-Neo-125M30.55%31.43%61.75%45.40%49.09%29.98%41.37%300B

LogicMark and ArithMark are procedural benchmarks designed to evaluate structured reasoning and arithmetic generalization across increasing difficulty levels.


Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "Datdanboi25/GPT-X-125M",
    trust_remote_code=True
)
tokenizer = AutoTokenizer.from_pretrained("Datdanboi25/GPT-X-125M")

inputs = tokenizer("The future of AI is", return_tensors="pt", add_special_tokens=True)
output = model.generate(
    **inputs, 
    max_new_tokens=50, 
    do_sample=True, 
    temperature=0.8,
    pad_token_id=tokenizer.eos_token_id,
    repetition_penalty=1.1
)
print(tokenizer.decode(output[0], skip_special_tokens=True))

Architecture

GPT-X replaces every major component of GPT-2 with modern alternatives proven at scale by Llama 3, Mistral, and Gemma 2.

ComponentDetails
Position encodingRoPE (rotary, zero extra params)
NormalizationRMSNorm (float32 upcast)
Feed-forwardSwiGLU (3-matrix gated MLP)
AttentionGrouped Query Attention — 9Q / 3KV (3:1)
QK stabilityQK-Norm (RMSNorm per head, before RoPE)
BiasNone (all layers bias-free)
Embeddingsqrt(d_model) scaling + weight tying
Auxiliary lossz-loss (1e-4 on logit magnitudes)
Depth27 layers x 576 hidden (deep & narrow)

Config

vocab_size     = 50,304    (GPT-2 BPE, padded)
n_layer        = 27
n_head         = 9         (query heads)
n_kv_heads     = 3         (key-value heads, 3:1 GQA)
n_embd         = 576
head_dim       = 64
intermediate   = 1,536     (SwiGLU, 2.67x ratio)
block_size     = 1,024
rope_theta     = 10,000
total params   = 124,561,728

Parameter Breakdown

ComponentParams
Token embeddings (50304 x 576)28,975,104
Per block (x27): attention + SwiGLU + norms3,540,224
27 transformer blocks95,586,048
Final RMSNorm576
LM head (tied with embeddings)0
Total124,561,728

Training

Data

  • Dataset: FineWeb-Edu sample-100BT (educational web text)
  • Tokens: 15B (30,500 steps x 524,288 tokens/step)
  • Tokenizer: GPT-2 BPE (tiktoken, 50,257 vocab padded to 50,304)

Optimization

  • Optimizer: AdamW (betas=0.9/0.95, weight_decay=0.1)
  • Learning rate: 6e-4 max, 6e-5 min
  • Schedule: WSD — 1,000 step warmup, stable phase, linear decay over final 20%
  • Batch size: 524,288 tokens (micro_batch=8, seq_len=1024, grad accumulation)
  • Precision: bfloat16 mixed precision
  • Gradient clipping: 1.0

Hardware

  • 1x NVIDIA RTX 3080 Ti (training)
  • 1x Intel i9-13900K (data tokenization)
  • Training time: ~100 hours

Design Decisions

  • 27 layers x 576 hidden — SmolLM-135M and MobileLLM-125M proved deep & narrow is SotA at 125M scale. 2.25x more depth than GPT-2's 12 layers.
  • GQA 3:1 — Saves attention parameters reinvested into a larger SwiGLU. Negligible quality loss at this ratio.
  • SwiGLU — Gated MLP with SiLU outperforms GELU across Llama, PaLM, and Mistral.
  • QK-Norm — Prevents attention logit explosion in deep models. Applied before RoPE (Llama 3.1 / Gemma 2 ordering).
  • z-loss — Prevents logit magnitude drift during training (PaLM, T5).
  • WSD schedule — Holds at peak LR for 80% of training, then sharp decay. Beats cosine with limited tokens.
  • No bias — Zero quality benefit in modern transformers. Confirmed by every post-2023 frontier LLM.

Limitations

  • Small model: 125M parameters limits reasoning and factual recall
  • Educational data only: Trained on FineWeb-Edu; not representative of general web text
  • Not instruction-tuned: Base model only, not aligned for chat
  • English only
  • 1024 context window

License

Apache 2.0


Citation

@misc{gptx2025,
  title={GPT-X: A Modern Llama-Style Language Model at 125M Scale},
  author={Datdanboi25},
  year={2025},
  url={https://huggingface.co/Datdanboi25/GPT-X-125M}
}

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
GPTXForCausalLM
Ревизия весов
22f736d

0 моделей