/ Модель
Каталог

Характеристики

Контекст
1 024 токена
Параметры
1,4 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Опубликована
22 мая 2026

Ссылки

Hugging Face

MicroLM2-1M

CromIA
Генерация текстаТекст → текст3 профессии

Экспериментальная модель LLaMA с 1,4 млн параметров для генерации короткого текста на английском и португальском языках и исследований компактных языковых моделей.

38скачиваний за 30 дней8лайковвеса обновлены24 мая 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.

Открыть конструктор бенчмарка

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

MicroLM2-1M — экспериментальная компактная языковая модель, разработанная CromIA и обученная с нуля. Это плотная авторегрессионная модель архитектуры LLaMA с 1,4 млн параметров и контекстом 1024 токена; веса доступны в формате Safetensors. Модель предназначена для генерации текста на английском и португальском языках, а также для исследований очень маленьких языковых моделей, эффективности обучения и токенизаторов.

Для обучения использовали около 4,5 млрд токенов из Wikipedia на английском и португальском языках, FineWeb, FineWeb-Edu и португалоязычной версии FineWeb2. В тесте BLiMP модель набрала 0,5422. Из-за малого размера и экспериментального характера её возможности ограничены, а контекст в 1024 токена невелик. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • эксперименты с генерацией текста на английском
  • эксперименты с генерацией текста на португальском
  • исследование очень маленьких языковых моделей
  • тестирование токенизаторов BPE и Metaspace
  • изучение эффективности обучения языковых моделей

Ограничения

Это экспериментальная модель с очень малым числом параметров и контекстом 1024 токена; результат BLiMP составляет 0,5422, поэтому качество генерации может быть ограниченным.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейII.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделейI.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MicroLM2-1M

MicroLM2-1M é um modelo de linguagem ultrapequeno (~1M parâmetros) treinado do zero com foco em inglês e português.

Detalhes

  • Arquitetura estilo LLaMA
  • ~1 milhão de parâmetros
  • Contexto de 1024 tokens
  • Vocabulário de 2048 tokens
  • Tokenizer BPE + Metaspace

Dataset

Treinado em aproximadamente 4.5 bilhões de tokens usando:

  • Wikipedia EN
  • Wikipedia PT
  • FineWeb
  • FineWeb-Edu
  • FineWeb2 PT (por_Latn)

Treino

  • Treinado do zero
  • FlashAttention 2
  • bfloat16
  • PyTorch + Transformers

Benchmarks

O resultado do MicroLM2-1M no BLiMP foi: 0.5422

Uso

from transformers import AutoTokenizer, LlamaForCausalLM

tokenizer = AutoTokenizer.from_pretrained(
    "CromIA/MicroLM2-1M"
)

model = LlamaForCausalLM.from_pretrained(
    "CromIA/MicroLM2-1M"
)

Observações

Projeto experimental voltado para:

  • pesquisa
  • tiny language models
  • eficiência
  • experimentos com tokenizers

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
3dc879d

0 моделей

    Создать бенчмарк