/ Модель

Характеристики

Библиотека
transformers
Опубликована
30 апр 2026

OpenSeek-Mid-v1

Генерация текстаТекст → текст

OpenSeek-Mid-v1 — 10,61-миллиардная языковая модель BAAI для генерации текста, рассуждений, математических и программных задач.

0скачиваний за 30 дней14лайковвеса обновлены13 мая 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

OpenSeek-Mid-v1 — языковая модель BAAI с 10,61 млрд параметров, созданная расширением Qwen3-4B-Base: разработчики увеличили ширину сети, добавили слои и продолжили предобучение. Итоговый чекпойнт получен усреднением пяти чекпойнтов. По данным карточки, модель обучалась на 2 трлн токенов открытых наборов данных; в оценках авторов она сопоставима с Qwen3-14B-Base по ряду тестов.

Модель предназначена для генерации текста, включая задачи рассуждения, математики, программирования, естественных наук и общих знаний. В обучающих данных также представлены многоязычные материалы, в том числе китайские, однако список поддерживаемых языков и длина контекста в доступных данных не приводятся. Карточка сообщает о 56 слоях и размере скрытого слоя 2560; модель доступна в формате safetensors для Transformers.

Модель использует лицензию Apache-2.0. Опубликованные результаты основаны на оценках авторов через lm-eval-harness; они не гарантируют качество на всех практических задачах. Отдельных сведений о рисках или ограничениях применения в карточке нет.

Сценарии применения

  • генерация ответов и продолжение текста
  • решение математических задач
  • помощь с программированием и написанием кода
  • ответы на вопросы по естественным наукам
  • выполнение задач на рассуждение и общие знания

Ограничения

Заявленные сравнительные результаты относятся к тестам из оценки авторов и не гарантируют аналогичного качества на пользовательских задачах. Длина контекста и подробные ограничения применения в предоставленных данных не описаны.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

license: apache-2.0

OpenSeek-Mid-v1

OpenSeek-Mid-v1 is a 10.61-billion-parameter language model grown from Qwen3-4B-Base through a two-stage model expansion pipeline and trained on only 2 trillion tokens of fully open-source data.

Despite having 25% fewer parameters and using 18x less training data, OpenSeek-Mid-v1 matches or surpasses Qwen3-14B-Base across multiple benchmarks.


Highlights

  • Model Growth, Not From-Scratch Training: Grown from Qwen3-4B via width expansion + partial depth stacking, inheriting the seed model's learned representations.
  • Extreme Data Efficiency: Matches Qwen3-14B-Base (~36T tokens) with only 2T tokens of training — an 18x reduction in data requirement.
  • Muon Optimizer: Spectral whitening ensures expanded dimensions are effectively utilized, delivering significant gains over AdamW in the model growth setting.
  • Fully Open-Source Data: All training data comes from publicly available datasets (NemotronCC-v2, Stack-Edu, Dolmino, CCI, etc.).

Architecture

SpecificationValue
Parameters10.61B
Layers56
Hidden Size (d_model)2560
FFN Intermediate Size (d_FFN)19456
Attention Heads32
KV Heads8
Sequence Length8192
Vocabulary Sizesame as Qwen3-4B

Growth Pipeline

Qwen3-4B (4.02B, 36L)
    │  Width expansion (d_FFN: 9728 → 19456, SNR=10dB)
    ▼
Width-Expanded (7.10B, 36L)
    │  Partial depth stacking (layers 14–34 × 2)
    ▼
OpenSeek-Mid-v1 (10.61B, 56L)
    │  Continual pretraining with Muon (2T tokens)
    ▼
Final Model

Training

Training Configuration

ParameterValue
OptimizerMuon
Sequence Length8192
Global Batch Size2048 sequences
Peak Learning Rate1e-4
LR ScheduleCosine with linear warmup
Warmup Steps1000
Weight Decay0.1
Training FrameworkFlagScale (FlagOS)
Total Training Tokens~2.06T

Stage 1: Broad Knowledge Acquisition (1.36T tokens)

Stage 1 Data Mixture

CategoryProportionTokens (B)
Web42%~571B
Math20%~272B
Code20%~272B
STEM15%~204B
Multilingual3%~41B

Stage 2: Capability Specialization (0.70T tokens)

Stage 2 Data Mixture

CategoryProportionTokens (B)Delta vs. Stage 1
Web35%~245B-7%
Math20%~140B—
Code24%~168B+4%
STEM18%~126B+3%
Multilingual3%~21B—

Detailed Dataset Composition

Stage 1 (%) and Stage 2 (%) denote each dataset's sampling weight within the respective stage. "—" indicates the dataset is not used in that stage.

Web

DatasetTokens (B)Stage 1 (%)Stage 2 (%)
Nemotron-CC-v2-HQ-Syn798.4123.2419.36
Nemotron-CC-v2-Diverse-QA (×5 shards)340.819.928.26
Nemotron-CC-v2-HQ (×5 shards)303.828.847.36
dolmino-mix-1124-wiki3.820.150.18
dolmino-mix-1124-stackexchange1.300.050.06

Math

DatasetTokens (B)Stage 1 (%)Stage 2 (%)
Nemotron-SFT-MATH207.4611.7011.70
Nemotron-CC-Math-v1-4plus-MIND74.344.194.19
Nemotron-CC-Math-v1-4plus53.373.013.01
Dolmino-math11.170.630.63
OpenMathInstruct-25.300.300.30
OpenMathReasoning-4k2.480.140.14
NuminaMath-1.50.380.020.02

Code

DatasetTokens (B)Stage 1 (%)Stage 2 (%)
Nemotron-Pretraining-Code-v1-Syn171.539.0510.86
Nemotron-SFT-Code57.473.033.64
stack-edu-Java31.701.061.27
stack-edu-Markdown26.640.380.45
stack-edu-Python18.271.541.85
stack-edu-Cpp12.621.111.33
stack-edu-JavaScript8.991.001.20
stack-edu-SQL8.230.370.44
github-issue8.460.250.30
stack-edu-PHP7.430.250.30
stack-edu-CSharp7.260.370.44
stack-edu-C4.800.430.52
stack-edu-Shell2.600.010.01
stack-edu-TypeScript2.510.180.22
OpenCodeInstruct1.59—0.10
stack-edu-Swift1.530.060.07
stack-edu-Rust1.450.050.06
stack-edu-Go1.420.030.04
kaggle-notebooks1.420.650.78
stack-edu-Ruby1.360.010.01
OpenCodeReasoning-2-cpp-4k0.760.040.05
OpenCodeReasoning-2-python-4k0.580.030.04
github-code-review0.32—0.02

STEM & Science

DatasetTokens (B)Stage 1 (%)Stage 2 (%)
Nemotron-Pretraining-Specialized-v1 (×4 shards)276.8310.5512.73
Nemotron-Pretraining-SFT-v1-General86.933.314.00
dolmino-mix-1124-pes2o60.190.500.50
Nemotron-Pretraining-Specialized-v1.19.04—0.42
OpenScienceReasoning-2-4k1.720.070.08
MegaScience0.980.040.04

Multilingual

DatasetTokens (B)Stage 1 (%)Stage 2 (%)
Nemotron-CC-v2-Translated-Diverse-QA135.801.741.74
CCI4_0-Zh-High98.761.261.26

Checkpoint Merging

The final model is a weighted average of 5 complementary checkpoints, each selected for a unique strength:

CheckpointWeightRoleKey Metric
iter 1699840.30Code anchorMBPP 78.84
iter 2191360.25Reasoning leadGPQA-d 44.39
iter 1740800.15Code peakEvalPlus 68.88
iter 1904640.15Math bridgeGPQA-d 42.86
iter 2170880.15General boostBBH 82.84

Evaluation Results

All evaluations conducted via lm-eval-harness with consistent settings.

BenchmarkQwen3-4BQwen3-8BQwen3.5-9BNemotron-12BGemma3-12BQwen3-14BOpenSeek-Mid-v1
Training tokens36T36T36T20T12T36T2T
MMLU (5-shot)72.7276.5778.6478.0773.2880.5779.31
MMLU-Pro (5-shot CoT)49.3152.3558.4857.5741.1656.0066.57
AGIEval-en (0-shot)45.9249.0945.1549.2044.8952.8352.18
BBH (3-shot CoT)71.2077.7582.2369.6573.7878.7182.55
HellaSwag (5-shot)75.3679.4781.0483.1383.4582.0581.81
Winogrande (5-shot)71.9077.5176.8079.2480.3579.4079.24
PIQA (5-shot)78.8981.3981.6182.9781.8083.3083.19
OpenBookQA (5-shot)45.0049.0050.0050.2049.6050.8049.80
ARC-C (0-shot)51.1956.9156.8360.5864.6859.3062.12
GSM8K (4-shot CoT)84.3186.7385.6081.4372.0290.0789.16
MATH (4-shot CoT)50.1652.4856.1657.3043.3059.7065.88
GPQA-diamond (3-shot CoT)32.6535.7137.7631.1223.4737.7645.41
MBPP (0-shot)73.8175.6677.5173.8173.2884.9276.19
EvalPlus Avg (0-shot)63.9667.9559.5461.2053.4873.4166.45
Avg General62.3966.6767.8665.0460.9869.2270.75
Avg All61.8865.6166.2465.3961.3269.2069.99
  • Avg General: average of knowledge, reasoning, and commonsense benchmarks (MMLU, MMLU-Pro, AGIEval-en, BBH, HellaSwag, Winogrande, PIQA, OpenBookQA, ARC-C).
  • Avg All: average of all benchmarks above, including math, STEM, and code (+ GSM8K, MATH, GPQA-diamond, MBPP, EvalPlus Avg).

Citation

If you find this work useful, please cite:

@misc{openseek-mid-v1,
  title={OpenSeek-Mid-v1: Efficient Language Model Scaling via Seed Model Expansion},
  year={2026},
  note={Technical report coming soon}
}

Acknowledgements

This project was built using open-source data and tools, including NemotronCC-v2, Stack-Edu, Dolmino, CCI, OpenMathInstruct, OpenCodeReasoning, and FlagOS.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
1925567

0 моделей