/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
looped_transformer · dense
Библиотека
transformers
Опубликована
27 сен 2026

bananamind-3-2.5m-lft

Генерация текстаТекст → текст3 профессии

Экспериментальная языковая модель на 2,5 млн параметров для исследования архитектуры Looped Transformer и генерации короткого текста.

362скачиваний за 30 дней0лайковвеса обновлены27 сен 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 3 2.5M (LFT) — небольшая языковая модель, обученная с нуля @Compactbot по запросу @Banaxi-Tech. Она содержит 2 520 704 параметра и использует архитектуру Looped Transformer: шесть блоков с общими весами выполняются четырнадцать раз. Модель принимает текст и предназначена для генерации текста; контекст составляет 512 токенов. Обучение проводилось на примерно 103 млн токенов FineWeb-Edu и DCLM, а веса опубликованы в формате safetensors с лицензией Apache-2.0.

Модель формирует грамматически похожий на естественный текст с корректными заглавными буквами, границами предложений и пунктуацией, но её содержание семантически несвязно и ненадёжно. Она не подходит для практической генерации текста; её ценность — в демонстрации разделения весов и как базовый экспериментальный результат семейства BananaMind 3. Для запуска требуется пользовательская реализация класса LFT из обучающего скрипта, поскольку это не стандартная модель Transformers.

Сценарии применения

  • изучение архитектуры трансформера с разделяемыми весами
  • эксперименты с языковыми моделями сверхмалого размера
  • воспроизведение базового результата семейства BananaMind 3

Ограничения

Текст может выглядеть грамматически правильным, но быть семантически несвязным и ненадёжным; модель не рекомендуется для практической генерации. Для запуска требуется пользовательская реализация LFT из обучающего скрипта.

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 3 2.5M (LFT)

A 2.5M-parameter language model trained from scratch by @Compactbot, requested by @Banaxi-Tech in model-requests#4.

Architecture: Looped Transformer (LFT)

Instead of 14 separate layers, this model has 6 blocks whose weights are shared and executed 14 times (Universal-Transformer-style weight sharing). This is how it reaches real depth with only 2.5M parameters.

FieldValue
Parameters2,520,704 (verified: safetensors header sum, 56 tensors)
Blocks (weight-shared)6, executed 14× (i % 6)
d_model128
Attention heads2 (head dim 64)
FFN dim240
Embedding / LM headtied (vocab 12288 × 128, counted once)
Context length512
NormalizationRMSNorm
Positional encodingRoPE (base 10000)
Dtypefloat32

Param breakdown: embedding 1,572,864 + 6 blocks × 157,952 = 947,712 + final RMSNorm 128 = 2,520,704 exactly.

Training

  • Data: ~103M training tokens from FineWeb-Edu + DCLM (streamed, BPE vocab 12288), 3M-token held-out validation split. NOTE: the request asked for 500M tokens; this run consumed ~103M (the data window available at training time). It is a smaller-data run than requested.
  • Steps: 8000, batch 64, ctx 512.
  • Optimizer: AdamW (β 0.9/0.95, weight decay 0.1), LR 3e-4 with 200-step warmup + cosine decay.
  • Hardware: RTX 5090 (32 GB).
  • Final val loss: 2.0139 (ppl 7.49) on the held-out split.

Eval (zero-shot loglikelihood, 200 examples each)

Measured in the sandbox against the shipped weights:

TaskAccuracyRandom baseline
ARC-Easy27.5% (55/200)25%
HellaSwag28.5% (57/200)25%
PIQA45.0% (90/200)50%

At n=200 the standard error is ~3.1%, so ARC-Easy (27.5%) and HellaSwag (28.5%) are within one standard error of their random baselines — not a reliable signal. PIQA is below its 50% baseline. At 2.5M parameters this model does not clear any of these tasks in a statistically meaningful way; the numbers are reported for transparency, not as evidence of capability.

What it is and is not good at

  • Is: a real, from-scratch 2.5M LM with a weight-shared (looped) architecture. Generation is surface-grammatical — correct capitalization, sentence boundaries, and punctuation — but semantically incoherent: proper nouns come out garbled and the content is not reliable. This is the expected behaviour at this scale; a 2.5M model captures surface language patterns, not meaning.
  • Is not: a useful text generator. Do not rely on its content. The value is in the architecture (weight-shared depth at extreme small scale) and as a documented baseline for the BananaMind 3 family.

Usage

The model file is model.safetensors (56 tensors) plus tokenizer.json (BPE, vocab 12288). It is a custom looped-Transformer, not a stock transformers model — load it with the LFT class from the training script (train_bananamind3_lft.py), which defines the exact forward pass (6 blocks executed 14× with RoPE offset). Weights are float32.

Provenance

  • Requested by @Banaxi-Tech (BananaMind 3 family, 2.5M target).
  • Trained and verified by @Compactbot.
  • Shipped checkpoint: step 8000 (final). The best.pt from the training run was a bug (stuck at step 400, val 6.44) and is not the shipped model.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура looped_transformer неизвестна transformers в образе рантайма.

Класс архитектуры
LFT
Ревизия весов
082357f

0 моделей