/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
10 млн
Лицензия
Apache 2.0
Архитектура
bananamind2_nano · dense
Библиотека
transformers
Опубликована
10 авг 2026

muon-model-test

Генерация текстаТекст → текст3 профессии

Экспериментальная англоязычная базовая модель на 10 млн параметров для генерации текста, обученная с нуля на FineWeb-Edu с оптимизатором Muon.

16скачиваний за 30 дней0лайковвеса 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

Banaxi-Tech выпустила экспериментальную базовую языковую модель BananaMind 2 Nano Muon FineWeb-Edu Test, обученную с нуля на архитектуре BananaMind 2 Nano. Модель содержит около 10 млн параметров, имеет 10 слоёв и скрытый размер 256; для работы используются Transformers и пользовательский код архитектуры.

Модель предназначена для генерации текста на английском языке. Во время обучения на потоковой выборке FineWeb-Edu она обработала около 25 млрд токенов собственным токенизатором; контекст составляет 4096 токенов. Обучение проводилось с оптимизатором Muon для матриц и AdamW для связанных эмбеддингов и параметров нормализации.

Это экспериментальный чекпойнт, а не производная от другой модели: веса обучены с нуля. Репозиторий распространяется по лицензии Apache-2.0. Небольшой размер модели ограничивает её возможности по сравнению с крупными языковыми моделями; в карточке не приведены результаты оценки качества.

Сценарии применения

  • эксперименты с генерацией английского текста
  • изучение обучения малых языковых моделей с нуля
  • сравнение оптимизаторов Muon и AdamW
  • прототипирование моделей на архитектуре BananaMind 2 Nano

Ограничения

Это экспериментальная модель небольшого размера; карточка не содержит результатов оценки качества. Для загрузки архитектуры требуется разрешить пользовательский код через trust_remote_code.

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 Nano Muon FineWeb-Edu Test

This experimental base model uses the exact BananaMind 2 Nano architecture and tokenizer. It was trained from scratch with stock PyTorch Muon on the hidden matrices and AdamW on the tied embedding and normalization weights, using only streamed FineWeb-Edu data for 24,999,591,936 custom-tokenizer tokens.

Architecture

FieldValue
Parameters9,968,128
Layers10
Hidden size256
Intermediate size768
Query heads4
KV heads2
Head dimension64
Context4,096
Vocabulary8,192
EmbeddingsTied
AttentionGQA, pre-RoPE QK norm
MLPSwiGLU
Position encodingRoPE, theta 100,000

Training

FieldValue
DatasetHuggingFaceFW/fineweb-edu / sample-100BT
Dataset revision87f09149ef4734204d70ed1d046ddc9ca3f2b8f9
Data accessStreaming
Hidden-matrix optimizerPyTorch Muon (adjust_lr_fn="original")
Muon peak learning rate0.05
Muon momentum0.95, Nesterov
Muon Newton-Schulz steps5
Embedding/norm optimizerAdamW
AdamW peak learning rate0.003
AdamW betas(0.9, 0.95)
Global batch132 sequences
Tokens per optimizer step540,672
Optimizer steps46,238
Warmup1,750 steps
ScheduleWarmup-stable-decay, final 15% cosine cooldown
Weight decay0.1, then 0.01 after 12,000,000,000 tokens
Precisionbfloat16 autocast, float32 master weights
Hardware8 x NVIDIA RTX PRO 6000 Blackwell Server Edition
Seed1337

The original Nano effective batch was 12 micro-batches x 11 accumulation steps = 132 sequences. This distributed run preserves that exact global batch. Ranks receive 16 or 17 sequences and scale their local mean losses so DDP's averaged gradient is the true 132-sequence global mean.

Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "Banaxi-Tech/muon-model-test"
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    trust_remote_code=True,
    dtype=torch.bfloat16,
    device_map="auto",
)

This is a base model, not an instruction-tuned chat model.

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
BananaMind2NanoForCausalLM
Ревизия весов
225a21a

0 моделей