/ Модель

Характеристики

Контекст
256 токенов
Параметры
4,9 млн
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Библиотека
transformers
Опубликована
2 сен 2026

sorbet-mini-experimental

Генерация текстаТекст → текст3 профессии

Sorbet Mini Experimental — экспериментальная компактная языковая модель для генерации текста, разработанная CodeSoft.

187скачиваний за 30 дней1лайквеса обновлены2 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Она предназначена прежде всего для быстрых и недорогих экспериментов с архитектурой и обучением моделей семейства Sorbet, а также для базовой генерации связного текста на английском языке. Модель обучалась на датасете TinyStories и не позиционируется как готовая к высококачественному практическому применению.

Модель использует архитектуру Qwen2ForCausalLM, совместимую с Transformers и llama.cpp. Она содержит около 4,92 млн параметров, 8 слоёв, скрытую размерность 192, 6 attention heads, Grouped-Query Attention с одним KV-головой, промежуточный размер 576 и связанные embedding-матрицы. Размер словаря составляет 8192 токена. Длина контекста — 256 токенов при обучении и до 512 токенов при инференсе. Доступны варианты в форматах safetensors и GGUF, включая bf16, f16 и Q8_0.

Обучение заняло около 12 минут на одной RTX 5060 Ti 16GB и охватило примерно 150 млн токенов. Небольшой размер и высокая скорость обучения упрощают итеративные эксперименты, однако модель имеет ограниченные возможности и обучалась на узком наборе данных, поэтому её качество, универсальность и устойчивость могут быть невысокими. Указана лицензия Apache-2.0.

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

Sorbet Mini Experimental

This model isn't meant to be "good", yet. The whole point of Sorbet Mini Experimental is to have a base fast enough that you can iterate on without burning hours per experiment. It exists to make the bigger experiments cheaper.

What makes this so important for Sorbet

Sorbet Mini Experimental was trained on 150M tokens, in 12 minutes, with one RTX 5060 Ti.

What matters is that a full pretrain run in twelve minutes means every change on the Sorbet line can be tested quickly without burning hours on a larger model.

What's next for Sorbet Mini

Since Sorbet Mini is so cheap to train, it's a no brainer to keep training it. TinyStories was used to target basic language coherence as a starting point. Eventually, the full release, Sorbet Mini, will release and hopefully perform closer to other similarly sized models.

What it is

  • Arch: Qwen2ForCausalLM (native in transformers and llama.cpp)
  • Shape: h192 × 8 layers, heads 6 (dim 32), GQA kv=1, inter 576, tied embeddings
  • Vocab: 8192 (same tokenizer as the sorbet-25m family)
  • Params: 4,920,512 total | bf16 ≈ 9.9 MB | Q8_0 ≈ 5.2 MB
  • Context: 256 train / up to 512 inference

Training recipe

Architecture graph

knobvalue
tokens149,999,872 (~37× Chinchilla)
steps1144 @ 512 seqs/step (seq 256)
dataTinyStories
precisionbf16, 8-bit AdamW
optimizerAdamW lr 3e-4 → 1e-5 cosine, wd 0.1 (no decay on emb/norm), grad clip 1.0
hardwareRTX 5060 Ti 16GB

Result: train loss 8.13 → 2.81, val perplexity 3595 → 19.47.

Run it

# very close to f16 (recommended)
llama-completion -m sorbet-mini-experimental-q8_0.gguf \
  -p "Once upon a time," -n 128 --temp 0.8 --top-p 0.95

# reference full-precision build
llama-cli -m sorbet-mini-experimental-f16.gguf -p "Hello, " -n 32

Run the safetensors (transformers)

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

tok = AutoTokenizer.from_pretrained("CodeSoft/sorbet-mini-experimental")
model = AutoModelForCausalLM.from_pretrained("CodeSoft/sorbet-mini-experimental", dtype=torch.bfloat16)
# model.to("cuda")  # if you have a GPU

prompt = "Once upon a time,"
ids = tok(prompt, return_tensors="pt").input_ids
out = model.generate(ids, max_new_tokens=128, do_sample=True,
                     temperature=0.8, top_p=0.95)
print(tok.decode(out[0], skip_special_tokens=True))

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
da7670b

0 моделей