/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
2,5 млн
Лицензия
Apache 2.0
Архитектура
bananamind2_micro · dense
Библиотека
transformers
Опубликована
10 авг 2026

BananaMind-2-Micro

Генерация текстаТекст → текст3 профессии

Компактная англоязычная базовая языковая модель на 2,93 млн параметров для продолжения текста и экспериментов с малыми причинными моделями.

540скачиваний за 30 дней15лайковвеса обновлены10 авг 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

BananaMind 2 Micro — компактная базовая причинно-языковая модель, обученная с нуля. Она предназначена для продолжения текста и оценки вероятности последовательностей, а не для диалога или выполнения инструкций. Разработчик описывает плотную архитектуру BananaMind 2 Micro с 2,93 млн параметров, 9 слоями, размером скрытого состояния 128 и связанными входными и выходными эмбеддингами. Модель использует GQA, SwiGLU, RMSNorm и контекст до 4096 токенов; веса сохранены в формате Safetensors.

Обучение проведено на английских данных, включая FineWeb-Edu, DCLM, SmolLM Corpus, FinePhrase, FineMath и NPSet-2-Python-Edu. Небольшой размер делает модель удобной для экспериментов с компактными языковыми моделями и автодополнением, однако она может генерировать повторяющийся, ошибочный или несвязный текст и плохо следует чат-запросам. Для использования с Transformers требуется изучить пользовательский код архитектуры перед включением trust_remote_code. Лицензия — Apache-2.0.

Сценарии применения

  • автодополнение коротких английских фрагментов текста
  • оценка вероятности продолжения последовательности
  • эксперименты с компактными причинными языковыми моделями

Ограничения

Модель очень мала, может выдавать повторяющийся, ошибочный или несвязный текст и не предназначена для надёжного следования инструкциям или чат-промптам. Обучение преимущественно англоязычное; результаты тестов не гарантируют качество в прикладных сценариях.

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

BananaMind 2 Micro

BananaMind 2 Micro

Base Bench parameter efficiency

BananaMind 2 Micro is a 2,933,193-parameter base causal language model trained from scratch on 74,998,349,824 tokens. It is a pretrained completion model, not an instruction-tuned chat model.

Highlights

  • 2.93M parameters with tied input and output embeddings
  • 4,096-token context window
  • 2,048-token custom tokenizer
  • GQA, pre-RoPE QK normalization, SwiGLU, and RMSNorm
  • XSA refresh path with detached attention readout, causal depthwise gating, and token-embedding reinjection
  • Trained with stock PyTorch Muon for matrix parameters and AdamW for embeddings and one-dimensional parameters

Benchmarks

All results below use the final checkpoint. BananaMind Base Bench 1.1 and ArithMark use raw continuation likelihood rather than generated answers.

BenchmarkMetricScore
BananaMind Base Bench 1.1Overall Elo874
BananaMind Base Bench 1.1Raw accuracy34.57% (121/350)
BananaMind Base Bench 1.1Weighted accuracy32.39%
ArithMark 2.0Accuracy24.92% (623/2,500)
ArithMark 3.0acc_norm34.00% (340/1,000)
ArithMark 3.0Raw accuracy33.70% (337/1,000)

Base Bench category Elo

CategoryElo
Language completion898
Commonsense860
World knowledge899
Context tracking815
Quantitative837
Logical reasoning911
Code completion927

Small-model comparison

ARC, PIQA, HellaSwag, and ArithMark 3 values are acc_norm. ArithMark 2 uses raw accuracy. CMA-1M-Mini was not run on either ArithMark version, so those cells are intentionally blank.

ModelParametersARC EasyARC ChallengePIQAHellaSwagArithMark 2ArithMark 3Base Bench EloBase Bench accuracy
BananaMind 2 Micro2,933,19333.12%21.93%53.21%28.27%24.92%34.00%87434.57%
GPT-S2-5M5,384,25833.42%22.18%56.42%27.64%27.20%28.30%88335.71%
GPT-S-5M5,158,46432.83%21.42%57.07%27.42%27.04%29.20%88937.14%
CMA-1M-Mini958,69229.25%21.93%54.84%29.36%81227.43%

Base Bench values for GPT-S2-5M and CMA-1M-Mini come from the BananaMind Base Bench leaderboard. GPT-S-5M was not listed there when this card was prepared, so its complete official local Base Bench 1.1 result is shown.

Parameter efficiency

The comparison chart uses raw BananaMind Base Bench 1.1 accuracy and removes the four-choice random baseline before normalizing by model size:

efficiency = (accuracy - 25.00) / (parameters / 100,000)

The result is accuracy percentage points above random per 100K parameters. For example, 30% raw accuracy becomes 5 points above random before the size normalization. Higher is better.

ModelParametersAccuracyAbove randomPoints / 100K params
BananaMind 2 Micro2,933,19334.57%9.570.326
Syn-2.6M2,604,21032.57%7.570.291
GPT-S-5M5,158,46437.14%12.140.235
cma-8M7,849,16140.86%15.860.202
GPT-S2-5M5,384,25835.71%10.710.199
Supra-Mini-v5-8M7,867,58436.29%11.290.144
Ant-5M4,713,34425.43%0.430.009

This is a narrow parameter-efficiency measurement, not a complete model quality score. The chart can be regenerated with:

python make_parameter_efficiency_chart.py

Architecture

FieldValue
Parameters2,933,193
Layers9
Hidden size128
Intermediate size512
Query / KV heads4 / 2
Head dimension32
Context length4,096
Vocabulary2,048, tied
RoPE theta100,000
AttentionGQA with pre-RoPE QK norm
MLPSwiGLU
NormalizationRMSNorm
Refresh kernelStrictly causal depthwise convolution, kernel 9

The refresh path reads the detached attention output as a signal, combines a learned projection with a strictly causal depthwise convolution, and gates a projection of the original token embedding. Its learned residual scalar was initialized to zero. During cached generation, convolution history is carried alongside each layer's key/value cache.

Training

FieldValue
Tokens seen74,998,349,824
Optimizer for matricesStock torch.optim.Muon
Peak Muon learning rate0.05
Optimizer for embeddings / 1D parametersAdamW
Peak AdamW learning rate0.004
Precisionbfloat16 autocast
Hardware8 x NVIDIA RTX PRO 6000 Blackwell Server Edition
Training time11,973 seconds (3h 19m 33s)

Curriculum

Token rangeFineWeb-EduDCLMCosmopedia v2FinePhraseFineMathNPSet2
0.00B-15.00B55%30%6%4%4%1%
15.00B-30.00B48%26%9%8%7%2%
30.00B-48.75B42%20%12%12%11%3%
48.75B-63.75B36%16%14%15%15%4%
63.75B-75.00B30%12%15%18%21%4%

The exact source revisions and observed source-token totals are preserved in checkpoint_metadata.json. The tokenizer corpus and revisions are preserved in tokenizer_training_manifest.json.

Usage

This repository contains custom Transformers architecture code. Review configuration_bananamind2micro.py and modeling_bananamind2micro.py before enabling trust_remote_code.

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "BananaMind/BananaMind-2-Micro"

tokenizer = AutoTokenizer.from_pretrained(
    model_id,
    trust_remote_code=True,
)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    trust_remote_code=True,
    dtype="auto",
)

inputs = tokenizer("The future of small language models is", return_tensors="pt")
outputs = model.generate(
    **inputs,
    max_new_tokens=80,
    do_sample=True,
    temperature=0.8,
    top_p=0.95,
)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Limitations

  • This is a very small base model and can produce repetitive, incorrect, or incoherent text.
  • It is not instruction aligned and does not reliably follow chat prompts.
  • Training was primarily English, so other languages are not a target use.
  • The model has no deployment safety guarantees and requires application-level evaluation and safeguards.
  • Benchmark results describe fixed datasets and do not guarantee downstream performance.

Reproducibility

  • Final preview revision: f45a0e949494c0e75892f65e0e5245f6060ae303
  • Final training step: 35,762 / 35,762
  • Weight SHA-256: f7a410921a02cd2617cd72c7cfe694da0501edcc6e4ca0747e2cdcdb5d2d14d9
  • Weights are stored in float32 Safetensors format.

License

Released under the Apache License 2.0.

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
BananaMind2MicroForCausalLM
Ревизия весов
dbc892b

0 моделей