/ Модель

Характеристики

Контекст
8 192 токена
Параметры
125 млн
Лицензия
Apache 2.0
Архитектура
gptx3 · dense
Библиотека
transformers
Опубликована
23 сен 2026

GPT-X3-150M

Генерация текстаТекст → текст

Компактная базовая языковая модель Axiomic Labs для продолжения текста и экспериментов с генерацией на английском языке.

455скачиваний за 30 дней47лайковвеса обновлены10 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-X3-150M — базовая языковая модель Axiomic Labs для продолжения текста. Она обучена с нуля на архитектуре TX5 — гибриде GDN2 и gated GQA — и содержит 124,7 млн параметров. Модель предназначена для генерации продолжения по заданному фрагменту, а также для экспериментов и задач, где нужен компактный базовый языковой чекпойнт.

Модель использует токенизатор LFM2.5 с размером словаря 65 536 токенов. В архитектуре 24 слоя, а контекст по метаданным составляет 8192 токена. Обучение включало текстовые, математические и кодовые наборы данных; в карточке также приведены результаты на тестах рассуждений и знаний. README сообщает о первом месте на Open SLM Leaderboard среди сравниваемых моделей, но это заявление относится к указанной методике и набору бенчмарков.

Модель принимает и генерирует текст. Карточка указывает английский язык; отдельные возможности диалога или вызова инструментов не заявлены. Лицензия Apache-2.0.

Сценарии применения

  • продолжение абзаца по началу текста
  • генерация коротких текстовых фрагментов
  • эксперименты с компактными языковыми моделями
  • оценка качества генерации на тестах рассуждений и знаний

Ограничения

Модель является базовым чекпойнтом для продолжения текста; README не заявляет отдельного режима диалога или гарантированной точности в прикладных задачах. Результаты лидерборда зависят от приведённых бенчмарков и методики оценки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

X3 Banner

GPT-X3-150M is Axiomic Labs’ third-generation base model, built on the TX5 hybrid GDN2/gated GQA architecture and trained from scratch with TrainWork. It ranks #1 on the Open SLM Leaderboard and is the first model under 150M parameters to exceed an Intelligence Index of 30.

Performance

Data Efficiency

Intelligence Index vs Training Compute

GPT-X3-150M outperforms Hugging Face's SmolLM2-135M on the Intelligence Index while using about 27× fewer training tokens (75B vs 2T). Benchmark results and Intelligence Index methodology follow the Open SLM Leaderboard. Training compute is estimated as 6 × parameters × training tokens.

Relative Leaderboard Performance

Benchmark Performance vs Competitors

OrganizationModelParametersInt IndexHellaSwagARC-EasyARC-ChallengePIQAArithMark-3
Axiomic LabsGPT-X3-150M149M33.0546.16%59.64%31.31%71.33%50.90%
LiquidAILFM2.5-350M-Base354.5M30.5044.98%68.86%40.96%67.68%35.90%
OpenCerebralBoris-2-Preview-1144M27.9145.23%58.38%29.95%69.21%37.60%
Bench Labscagliostro-v3.5146.35M27.4943.41%53.75%29.35%68.06%45.30%
HuggingFaceSmolLM2-135M135M27.1343.22%58.63%29.69%68.44%39.20%
Bench Labscagliostro-v3146.35M26.5542.51%54.88%28.75%67.46%43.70%
Axiomic LabsGPT-X2.5-135M135M25.1740.57%51.81%29.18%69.42%38.40%
GoogleGemma-3-270M268.1M25.1641.33%57.11%28.24%68.66%35.60%
BananaMindBananaMind-2-Pro139M24.9642.78%53.58%27.82%67.52%38.20%
FacebookMobileLLM-R1-140M-base140M24.6433.84%49.92%24.74%63.22%65.70%
LiquidAILFM2.5-230M-Base229.7M23.9639.39%59.55%35.41%63.60%37.80%
Axiomic LabsGPT-X2-125M125M23.3640.41%51.47%27.82%67.30%37.20%
Axiomic LabsGPT-X-125M125M19.9436.57%50.76%26.62%64.96%35.60%
OpenAIGPT-2 Medium354.8M19.6839.33%43.35%24.91%66.10%34.60%
SupraLabsSupra2-100M-Base100.7M19.4135.98%47.81%24.83%65.40%36.90%
OpenAIGPT-2 (124M)124M13.5831.26%39.35%22.35%62.08%35.70%

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.


What's New in X3 vs GPT-X2.5?

Model size and architecture

  • 30 XGQA layers -> 24 hybrid layers (18 GDN2 + 6 gated GQA).
    • Three GDN2 layers between each full-attention layer make the stack a 3:1 hybrid.
  • XSA -> normalized, gated GQA with RoPE on 32/64 head dimensions.
    • Adds query/key normalization and an output gate to X3's full-attention layers. Ablations showed XSA redundant with attention gating.
  • 32,770 -> 65,536 vocabulary tokens; uses the LFM2.5 tokenizer.
    • Larger tokenizer yields across the board improvements including speed, training efficiency, long context performance, etc.

Training and optimization

  • 11-source progressive mix -> nine-source fixed mix.
    • X3 keeps the source proportions constant throughout training as small models struggle to adapt to data changes.
  • Next-token training -> six-token TST for the first 30%, then next-token training; 75B compute tokens and ~187.5B raw tokens total.
    • TST predicts six target tokens per compute position during its phase.
  • AdamW -> hybrid Muon + AdamW.
    • Muon handles matrix weights; AdamW handles embeddings, norms, biases, and other non-matrix parameters.

Architecture

ComponentDetails
ArchitectureTX5
TokenizerLFM2.5 65k (with BOS removed)
Layers24
Training Tokens75B
AttentionGDN2:GQA
Attention Layout3:1
QK NormalizationOffsetRMSNorm on queries and keys in GQA layers
EmbeddingsTied
ActivationSiLU
NormalizationRMSNorm
Dropout0

Config

vocab_size             = 65,536    (LFM2.5 tokenizer no BOS)
n_layer                = 24
n_embd                 = 576
block_size             = 2048
gdn_head_dim           = 64        (9 GDN2 heads)
gqa_head_dim           = 64        (9 query heads)
gqa_n_kv_heads         = 3         (3:1 grouped-query attention)
gqa_rotary_dim         = 32
gdn_layers_per_gqa     = 3         (GDN2:GQA = 3:1)
swiglu_hidden_ratio    = 2.75      (1,584 units)
rope_theta             = 100,000

Parameter Breakdown

ComponentParams
Token embeddings (65,536 x 576; LM head tied)37,748,736
GDN2 attention blocks (18)38,632,482
Gated GQA blocks (6)7,299,840
SwiGLU MLPs (24)65,691,648
Block RMSNorms27,648
Final RMSNorm576
Total149,400,930

Training

GPT-X3 is trained for 143,052 steps across two GPUs, with a global batch of 524,288 compute tokens per step. The run uses six-token TST for the first 30% of training, then switches to standard next-token prediction.

Data

The configured source folders are mixed from step 0 with one fixed set of weights; there are no later curriculum stages. The run uses 143,052 steps at a 524,288-token global batch (about 75.0004B compute tokens). Token-Superposition Training (TST) is enabled for the first 30% of the run with six-token bags, consuming about 135B raw tokens in that phase before standard autoregressive training resumes.

OrganizationSourceWeight
Axiomic LabsSFTset-SLM1%
IFMTXT360-v240%
OpenBMBUltraMath10%
OpenBMBUltraCode2%
Axiomic LabsFactBase-DCLM1%
NVIDIAClimbMix43%
NVIDIAOpenMathInstruct2%
VariousMisc.0.5%
MicrosoftOrcaMath0.5%

Token Superposition Training (TST)

During TST, embeddings for each group of six input tokens are averaged into one model position, and the model predicts the six tokens in the next group.

Training phaseShareObjectiveCompute tokensRaw tokens
TST (~42,916 steps)30%Predict the next group of six tokens~22.5B~135B
Autoregressive (~100,136 steps)70%Predict the next token~52.5B~52.5B

Optimization

  • Optimizer: Hybrid Muon and AdamW. Muon handles 2D weight matrices (max LR 0.02, momentum 0.95, Nesterov, five Newton-Schulz steps); AdamW handles embeddings, normalization parameters, biases, and other non-matrix parameters (max LR 1.5e-3, betas 0.9/0.95).
  • Weight decay: 0.01 on Muon parameters; AdamW's parameter group uses 0 weight decay.
  • Learning-rate schedule: 2,000-step linear warmup, stable until 82.5% of training, then a 1-sqrt cooldown to zero.
  • Batch size: 524,288 compute tokens per optimizer step, distributed across two GPUs with gradient accumulation.
  • Sequence length: 2,048 tokens.
  • Precision and stability: bfloat16 mixed precision, global gradient-norm clipping at 1.0.

Hardware

  • 2x RTX 3080 Ti
  • Training time: ~330 hours

Usage

GPT-X3-150M is a base model for text completion. Give it a passage to continue, such as the beginning of a paragraph.

The following Transformers example is a draft for the released checkpoint; it requires the weights, tokenizer, and Transformers model code to be published first.

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "AxiomicLabs/GPT-X3-150M"
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    trust_remote_code=True,
    dtype=torch.float32,
).to("cuda").eval()

prompt = "Artificial intelligence is"
inputs = tokenizer(
    prompt,
    return_tensors="pt",
    add_special_tokens=False,
).to(model.device)

with torch.inference_mode():
    output = model.generate(
        **inputs,
        max_new_tokens=120,
        do_sample=True,
        temperature=0.8,
        top_p=0.95,
    )

print(tokenizer.decode(output[0], skip_special_tokens=True))

Citation

@misc{gptx3_2026,
  title={GPT-X3-150M},
  author={Axiomic Labs},
  year={2026},
  howpublished={\url{https://huggingface.co/AxiomicLabs/GPT-X3-150M}},
}

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
GPTX3ForCausalLM
Ревизия весов
4640749

0 моделей