/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
3 млн
Лицензия
Apache 2.0
Архитектура
bananamind2_moe · MoE
Библиотека
transformers
Опубликована
16 июл 2026

BananaMind-2-MoE

Генерация текстаТекст → текст3 профессии

BananaMind-2-MoE — компактная разреженная базовая языковая модель для генерации и продолжения текста с контекстом 4096 токенов.

434скачиваний за 30 дней10лайковвеса обновлены16 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

BananaMind-2-MoE — разреженная авторегрессионная языковая модель с архитектурой decoder-only Transformer и смесью экспертов, обученная с нуля командой BananaMind. В модели около 25,1 млн параметров, из которых при обработке токена активируется примерно 1,99 млн; она использует контекст до 4096 токенов и собственный байтовый BPE-токенизатор на 8 тысяч токенов с отдельными токенами для цифр.

Модель предназначена для генерации текста и продолжения текстовых последовательностей. Это базовая модель без настройки для диалога; в README приведены результаты самостоятельной оценки на языковых и логических бенчмарках, а независимая оценка ещё не представлена. Для загрузки через Transformers требуется включить trust_remote_code=True из-за пользовательской архитектуры. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • продолжение текстового фрагмента
  • генерация коротких текстов на английском языке
  • эксперименты с разреженными моделями смеси экспертов
  • оценка языковой модели на задачах логического выбора

Ограничения

Это базовая модель без настройки для чата; результаты бенчмарков в карточке получены авторами самостоятельно и ещё не подтверждены независимой оценкой. Для загрузки требуется пользовательский код Transformers.

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

Banner

BananaMind-2-MoE

BananaMind-2-MoE is a sparse decoder-only causal language model trained from scratch by BananaMind on a 30B-token curriculum.

The model has 25,086,592 total parameters, approximately 1,985,152 active parameters per token, a 4,096-token context window, and a custom 8k-token digit-aware byte-level BPE tokenizer.

Model Details

FieldValue
Total parameters25,086,592
Active parameters per token1,985,152
ArchitectureBananaMind2MoE decoder-only Transformer
RoutingSparse top-1, no capacity drops
Experts per layer48
Active experts per token1
Layers8
Hidden size128
Expert intermediate size160
Attention heads4
KV heads2
Head dim32
Attention styleGrouped-query attention with QK norm
Expert MLPSwiGLU
Position embeddingsRoPE
RoPE theta100,000
NormalizationRMSNorm
Vocabulary size8,192
Context length4,096
EmbeddingsTied input/output embeddings
Weight formatsafetensors
HF architectureBananaMind2MoEForCausalLM
HF model typebananamind2_moe
Final checkpointruns/bananamind2-moe/final.pt
Final training step55,485
Tokens seen29,999,726,592

Active parameters count the tied embedding/output matrix, every attention and router parameter, normalization parameters, and one selected expert per layer.

Tokenizer

BananaMind-2-MoE uses the same custom 8k byte-level BPE tokenizer as BananaMind-2-Mini. Digits are kept as separate tokens so numbers do not collapse into large number tokens.

Special tokenID
`<pad
`<bos
`<eos
`<unk

Training Data

DatasetTarget TokensShare
FineWeb-Edu16.5B55%
DCLM9.0B30%
Cosmopedia-v23.0B10%
FineMath-4+1.5B5%
Total30.0B100%

The run used a progressive curriculum, beginning web-heavy and gradually increasing synthetic textbook and mathematics data.

Training Setup

FieldValue
Sequence length4,096
Micro batch12
Gradient accumulation11
Effective batch132 sequences
Tokens per optimizer step540,672
Final optimizer step55,485
OptimizerAdamW
Betas0.9, 0.95
Peak learning rate2.3e-3
Warmup steps1,750
LR scheduleWarmup-stable-decay with cosine decay
Weight decay0.1, then 0.01 after 12B tokens
Router balance loss0.01
Router z-loss1e-3
Gradient clipping1.0
CompilePyTorch compile enabled
Seed1337

Evaluation

These are self-evaluated scores produced with lm_eval. Scores may vary slightly depending on the evaluation harness version, runtime settings, dtype, and environment.

An independent Open SLM Leaderboard evaluation is coming soon.

BenchmarkScoreMetric
Average34.90mean
ARC Easy34.64acc_norm,none
PIQA56.37acc_norm,none
ARC Challenge21.16acc_norm,none
HellaSwag27.45acc_norm,none

The unrounded average is 0.349047. Unrounded task results are ARC Easy 0.346380, PIQA 0.563656, ARC Challenge 0.211604, and HellaSwag 0.274547.

Usage

This model uses custom architecture code, so load it with trust_remote_code=True.

pip install -U transformers safetensors torch
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "BananaMind/BananaMind-2-MoE"
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)

device = "cuda" if torch.cuda.is_available() else "cpu"
dtype = (
    torch.bfloat16
    if torch.cuda.is_available() and torch.cuda.is_bf16_supported()
    else torch.float32
)

model = AutoModelForCausalLM.from_pretrained(
    model_id,
    trust_remote_code=True,
    torch_dtype=dtype,
).to(device).eval()

prompt = "The color of the sky is"
inputs = tokenizer(prompt, return_tensors="pt").to(device)

with torch.no_grad():
    output = model.generate(
        **inputs,
        max_new_tokens=96,
        do_sample=True,
        temperature=0.7,
        top_p=0.9,
        repetition_penalty=1.1,
        pad_token_id=tokenizer.eos_token_id,
        eos_token_id=tokenizer.eos_token_id,
    )

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

Notes

  • This is a base model, not a chat-tuned model.
  • Routing is top-1 and deterministic in evaluation mode.
  • Autoregressive generation supports the Transformers DynamicCache KV cache.
  • Current benchmark scores are self-evaluated; independent leaderboard evaluation is pending.

License

Apache 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
BananaMind2MoEForCausalLM
Ревизия весов
ca16baf

0 моделей