/ Модель

Характеристики

Контекст
8 192 токена
Параметры
135 млн
Лицензия
Apache 2.0
Архитектура
gptx2 · dense
Библиотека
transformers
Опубликована
6 мая 2026

GPT-X2.5-135M

Генерация текстаТекст → текст3 профессии

Компактная авторегрессионная языковая модель Axiomic Labs для генерации текста и экспериментов с общими, математическими и образовательными задачами.

1 030скачиваний за 30 дней67лайковвеса обновлены12 окт 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-X2.5-135M — плотная авторегрессионная языковая модель семейства GPT-X от Axiomic Labs, обученная с нуля на архитектуре TX-3. Модель содержит около 135 млн параметров, использует 30 трансформерных слоёв, RoPE, SwiGLU, механизм внимания XGQA и пользовательский BPE-токенизатор примерно на 32 тыс. токенов. Поддерживает контекст до 8192 токенов.

Модель предназначена для генерации продолжений текста и компактных экспериментов с языковыми моделями. В обучении использовались образовательные и общие веб-тексты, математические и программные данные, синтетические учебные и разговорные материалы. По опубликованным результатам она показывает конкурентные оценки на тестах общего знания, рассуждений и математики при обучении на 75 млрд токенов.

Карточка не описывает отдельные гарантии качества для прикладных сценариев; результаты бенчмарков не гарантируют точность ответов. Модель выпущена под лицензией Apache-2.0.

Сценарии применения

  • генерация продолжения текста
  • создание учебных объяснений и материалов
  • черновые ответы на общие вопросы
  • решение простых математических задач
  • эксперименты с компактными языковыми моделями

Ограничения

Размер 135 млн параметров ограничивает возможности модели по сравнению с крупными языковыми моделями; опубликованные бенчмарки не гарантируют точность в реальных задачах. В карточке не приведены отдельные оценки безопасности или надёжности.

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-X2.5-135M is an improved 2.5th generation model in the GPT-X family built on the TX-3 architecture. 135M parameters, 75B tokens, custom 32K tokenizer, 30 layers, and our XGQA attention. Trained from scratch on a multi-source curriculum achieving near state-of-the-art performance on both natural language and mathematical reasoning benchmarks.

Results

Intelligence Index vs Training Compute

GPT-X2.5-135M achieves competitive performance with leading models despite using significantly less training data. It reaches a 25.17 Intelligence Index—within 1.96 points of SmolLM2-135M while using about 27× fewer training tokens.

Benchmark results and Intelligence Index methodology follow the Open SLM Leaderboard. Training compute is estimated as 6 × parameters × training tokens.

RankOrganizationModelParametersHellaSwagARC-EasyARC-ChallengePIQAArithMark-3Int IndexTraining tokens
1HuggingFaceSmolLM2-135M135M43.22%58.63%29.69%68.44%39.20%27.132T
2HuggingFaceSmolLM-135M135M42.70%56.31%29.01%68.28%36.80%25.74600B
3Axiomic LabsGPT-X2.5-135M135M40.57%51.81%29.18%69.42%38.40%25.1775B
4FacebookMobileLLM-R1-140M-base140M33.84%49.92%24.74%63.22%65.70%24.644.2T
5Axiomic LabsGPT-X2-125M125M40.41%51.47%27.82%67.30%37.20%23.3675B
6BananaMindBananaMind-2-Pro-Preview139M39.83%51.01%27.13%66.76%38.90%23.0452B
7Axiomic LabsGPT-X-125M125M36.57%50.76%26.62%64.96%35.60%19.9415B
8SupraLabsSupra2-100M-Base100.7M35.98%47.81%24.83%65.40%36.90%19.4130B
9FacebookOPT-125M125M31.31%40.28%22.70%62.24%35.20%13.80180B
10OpenAIGPT-2 (124M)124M31.26%39.35%22.35%62.08%35.70%13.5810B

The Intelligence Index chance-normalizes HellaSwag, combined ARC, PIQA, and ArithMark-3, then applies weights of 1.00, 1.00, 1.00, and 0.65 respectively.

The model also achieves an overall elo of 1104 on the Bananamind-Base-Bench-1.1 and can be viewed on the BananaMindBench Leaderboard.


What's New in 2.5?

ChangeGPT-X2GPT-X2.5Why
Parameters125.08M135.03MMore capacity is concentrated in the feed-forward layers
Feed-forward width1,5361,728Expands each SwiGLU MLP from 2.67x to 3x the 576-wide residual stream
Context length1,0248,192Training starts at 2K context and extends to 8K after 60B tokens
Attention refinementQK-NormXSA projection; no QK-NormProjects out the component of each attention-head output parallel to its current-token value vector
Embedding scalingMultiply by sqrt(576)NoneMatches the formulation used for the XSA training run
Tokenizer32,768-token custom BPE32,770 tokens (32K BPE + ChatML start/end)Adds native chat-boundary tokens without replacing the base tokenizer
Training data75B tokens, 4-source curriculum75B tokens, expanded 11-source curriculumAdds Cosmopedia, SmolTalk, and four FinePhrase subsets to the original mix

Architecture

ComponentDetails
Position encodingRoPE (theta=100,000)
NormalizationRMSNorm (float32 upcast)
Feed-forwardSwiGLU (3-matrix gated MLP, 1,728 intermediate width, 3x ratio)
AttentionXGQA -- 9Q / 3KV (3:1)
Attention refinementXSA projection; no QK-Norm
BiasNone (all layers bias-free)
EmbeddingWeight tying, without embedding scaling
Depth30 layers x 576 hidden
Maximum contextTrained to 8,192 tokens

Config

vocab_size     = 32,770    (32K custom BPE + ChatML start/end tokens)
n_layer        = 30
n_head         = 9         (query heads)
n_kv_heads     = 3         (key-value heads, 3:1 GQA)
n_embd         = 576
head_dim       = 64
intermediate   = 1,728     (SwiGLU, 3x ratio)
block_size     = 8,192
rope_theta     = 100,000
xsa_projection = true
qk_norm        = false
embedding_scale = false
total params   = 135,032,256

Parameter Breakdown

ComponentParams
Token embeddings (32770 x 576)18,875,520
Per block (x30): attention + SwiGLU + norms3,871,872
30 transformer blocks116,156,160
Final RMSNorm576
LM head (tied with embeddings)0
Total135,032,256

Training

Data

Eleven sources are mixed per optimizer step with a progressive curriculum. The run begins with mostly educational and general web text, ramps math and code, introduces synthetic educational and conversational data, then switches to a FinePhrase-heavy final stage at 58B tokens.

SourceDatasetPurpose
FineWeb-EduHuggingFaceFW/fineweb-edu (sample-100BT)Primary educational web text
DCLMmlfoundations/dclm-baseline-1.0High-quality diverse web text
FineMathHuggingFaceTB/finemath (finemath-4plus)Mathematical reasoning (score >= 4)
NPset-2-Python-EduAxiomicLabs/NPset-2-Python-EduAST-normalized Python code
CosmopediaHuggingFaceTB/cosmopediaSynthetic textbooks, stories, and educational content
ArithMark-2AxiomicLabs/ArithMark-2.0Focused arithmetic practice
SmolTalkHuggingFaceTB/smol-smoltalkChat-formatted instruction and conversation data
FinePhraseHuggingFaceFW/finephrase (FAQ, math, table, and tutorial subsets)Structured explanatory and knowledge-dense text
  • Tokens: 75B
  • Tokenizer: 32,770-token custom BPE (32K base vocabulary plus ChatML start/end tokens)
  • Validation: held-out FineWeb-Edu; best recorded validation loss 2.671957

Progressive Data Curriculum

The configured weights change at discrete token thresholds. All percentages below come from the effective (second) CURRICULUM definition in the training script:

Token rangeFineWeb-EduDCLMFineMathCodeCosmopediaArithMark-2SmolTalkFinePhrase
0 -- 18B58%40%1%1%0%0%0%0%
18 -- 18.5B56%39%3%2%0%0%0%0%
18.5 -- 19B54.5%37.5%5%3%0%0%0%0%
19 -- 20B54%37.5%5%3.5%0%0%0%0%
20 -- 40B54%36%6%4%0%0%0%0%
40 -- 45B52%36%6%4%2%0%0%0%
45 -- 48B50.8%36%6%3.7%3%0.5%0%0%
48 -- 50B49.5%36%6%3.5%4.5%0.5%0%0%
50 -- 53B48.5%35%6%2.5%7%1%0%0%
53 -- 55B48%35%6%1.5%8.5%1%0%0%
55 -- 58B46%32%6%1%9%1%5%0%
58 -- 75B0%33%11.5%0%0%1%5%49.5%

The final FinePhrase share is split into FAQ (14.85%), math (14.85%), table (7.425%), and tutorial (12.375%). The loader preserves the configured proportions across each optimizer step and shuffles source order; if a source is unavailable, its share is redistributed proportionally among the active sources.

Optimization

  • Optimizer: AdamW (betas=0.9/0.95, weight_decay=0.01)
  • Learning rate: 1.5e-3 max, decays to 0
  • Schedule: WSD -- 2,000-step warmup, stable through 90% of training, then linear decay to 0 over the final 10%
  • Batch size: 524,288 tokens (micro_batch=4-1, seq_len=2048-8192, grad accum)
  • Precision: bfloat16 mixed precision
  • Gradient clipping: 1.0

Hardware

  • 1x RTX 3080 Ti
  • Training time: ~800 hours

Citation

@misc{gptx2_2025,
  title={GPT-X2.5: Data-Efficient Language Modeling at 135M Scale},
  author={Axiomic Labs},
  year={2026},
  howpublished={\url{https://huggingface.co/AxiomicLabs/GPT-X2.5-135M}},
  note={Trained on 75B tokens with a progressive curriculum and custom tokenizer}
}

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
GPTX2ForCausalLM
Ревизия весов
53959ad

0 моделей