/ Модель

Характеристики

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

bananamind3-lft-2.5m

Генерация текстаТекст → текст3 профессии

Компактная англоязычная языковая модель с разделением весов для генерации текста и экспериментов с архитектурой Looped Transformer.

348скачиваний 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 — небольшая языковая модель, обученная Compactbot с нуля по запросу Banaxi-Tech. Это плотный Looped Transformer: шесть блоков с общими весами выполняются 14 раз, всего 2 520 704 параметра. Модель обучали на английских текстах FineWeb-Edu; словарь BPE содержит 12 288 токенов, контекст — 512 токенов.

Модель предназначена для генерации связного английского текста и экспериментов с глубиной и разделением весов в компактных языковых моделях. В проверке авторов она генерировала грамматичный текст с корректной пунктуацией, но при таком размере не обладает надёжными фактическими знаниями. Для запуска нужны tokenizer.json и реализация класса LFT из обучающего скрипта: стандартная загрузка через Transformers не поддерживается. Веса распространяются в формате safetensors с лицензией Apache-2.0.

Сценарии применения

  • генерация короткого связного текста на английском
  • изучение разделения весов в трансформерах
  • эксперименты с компактными языковыми моделями
  • сравнение с малыми языковыми моделями как базовая линия

Ограничения

Модель очень мала и не располагает надёжными фактическими знаниями, поэтому её ответы нельзя считать достоверными. Для запуска требуется пользовательская реализация LFT из обучающего скрипта; стандартная загрузка через Transformers не поддерживается.

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: ~2.1B tokens from FineWeb-Edu (streamed, BPE vocab 12288).
  • 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 a 1M-token held-out split.

Eval (zero-shot loglikelihood, 200 examples each)

Measured in the sandbox against the shipped last.pt (step 8000):

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

ARC-Easy and HellaSwag sit just above their random baselines — a small but real signal for a 2.5M model. PIQA (physical commonsense) is below its 50% baseline; that task is genuinely hard at this scale and the model does not clear it.

What it is and is not good at

  • Is: a real, from-scratch, coherent 2.5M LM. Greedy and sampled generation produce varied, grammatical English with correct punctuation — no token loops, no word salad.
  • Is not: factually reliable. At 2.5M parameters it captures surface language patterns, not world knowledge. Treat its content as unreliable; the value is in the architecture (weight-shared depth) and as a baseline.

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.
  • Checkpoint shipped: last.pt → step 8000 (final). The best.pt in 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
4f8914d

0 моделей