/ Модель

Характеристики

Параметры
41,9 млн
Лицензия
CC BY-NC 4.0
Архитектура
fina · dense
Опубликована
26 сен 2026

fina-30m-v0.1

Генерация текстаТекст → текст3 профессии

Небольшая базовая языковая модель, обученная с нуля для продолжения индонезийского текста в учебных и исследовательских экспериментах.

252скачиваний за 30 дней0лайковвеса обновлены26 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

Fina-30M v0.1 — базовая предварительно обученная языковая модель от автора репозитория Dawgggggg, обученная с нуля для индонезийского языка. Это плотный декодерный причинный Transformer на 29,4 млн параметров: 8 слоёв, 8 голов внимания, SwiGLU, RoPE и RMSNorm. Модель принимает текст и продолжает его; она не дообучена следовать инструкциям или вести диалог. Контекст ограничен 512 токенами.

Модель предназначена для учебных и исследовательских экспериментов с генерацией индонезийского текста и небольшими языковыми моделями. Обучающие данные включают индонезийскую Википедию, веб-корпус и новостные тексты. В оценке приведены значения потерь и perplexity по этим доменам, но стандартные бенчмарки не проводились.

Модель склонна к фактическим ошибкам и самопротиворечиям, а на редких и технических темах может повторяться; для надёжных фактических ответов она не подходит. Для загрузки требуется код пользовательской архитектуры из репозитория, а не стандартный класс AutoModel. Лицензия репозитория — CC BY-NC 4.0; автор также предупреждает, что лицензии части обучающих корпусов отдельно не проверялись, поэтому коммерческое использование требует проверки прав на данные.

Сценарии применения

  • продолжение индонезийского текста
  • эксперименты с компактными причинными языковыми моделями
  • учебное изучение обучения Transformer с нуля
  • генерация индонезийских текстовых фрагментов по затравке

Ограничения

Модель не настроена на выполнение инструкций или диалог, имеет слабое фактическое воспроизведение, может галлюцинировать и повторяться; контекст ограничен 512 токенами. Стандартные бенчмарки не проводились, а лицензии части обучающих данных автор отдельно не проверял.

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

Fina-30M v0.1 (base)

Fina-30M is a 29,368,832-parameter (~29.4M) decoder-only causal Transformer for Indonesian, trained from scratch end-to-end on Google Colab free tier. This repository hosts the base pretrained checkpoint (not instruction-tuned) — it continues text, it does not follow chat-style instructions.

⚠️ License note: training data mixes Wikipedia ID, a general web corpus (Corpus-Indonesia), and an Indonesian news dataset that carries a CC BY-NC 4.0 (non-commercial) restriction. This repo is tagged cc-by-nc-4.0 accordingly. The licenses of the other two source datasets were not independently verified by the author — check them yourself before any commercial use.

Model summary

Parameters29,368,832 (~29.4M), embedding tied with LM head
ArchitectureDecoder-only causal Transformer, 8 layers, d_model 512, 8 heads (head_dim 64), SwiGLU FFN (d_ff 1024), RoPE, RMSNorm, no biases
Context length512 tokens
Vocabulary16,384 (byte-level BPE, 5 special tokens)
Training objectiveCausal language modeling (next-token prediction)
StatusBase pretraining complete; standard benchmarks (FINA-Bench) not yet run

Training data

Cleaned and deduplicated corpus (98/2 train/val split by content hash), 624.0M training tokens:

SourceDomainShare of train tokensNotes
Wikipedia ID (wikimedia/wikipedia, 20231101.id)Encyclopedic40.0% (249.7M)572,737 / 665,622 docs retained
Corpus-Indonesia (Lyon28/Corpus-Indonesia)Web / forums57.8% (360.8M)Noisy; 6.25M / 19.5M lines retained after cleaning
Indonesian News (iqballx/indonesian_news_datasets)News2.2% (13.5M)Tempo, CNN Indonesia, CNBC Indonesia, JawaPos, Kumparan, Okezone, Suara; ~CC BY-NC 4.0

Cleaning: custom stopword-based Indonesian language filter (fastText was unavailable in the training environment), boilerplate/HTML/code stripping, exact + near-duplicate removal, source-specific artifact stripping. IndoMMLU was downloaded but used only for evaluation planning, never mixed into training.

Sampled during training at a fixed mixture of wiki 40% / web 57% / news 3% (≈ natural token distribution), for 2 epochs / 38,087 steps (≈1.25B tokens seen, ≈21.2 tokens/parameter/epoch — near Chinchilla-optimal for one epoch).

Training procedure

  • Optimizer: AdamW, peak LR 6e-4 → 6e-5 (cosine schedule, 500-step warmup), weight decay 0.1, grad clip 1.0
  • Batch: 64 × 512 = 32,768 tokens/step
  • Precision: bf16 or fp16 autocast (varied by assigned Colab GPU)
  • Checkpoint/resume to Google Drive every 500–1,000 steps (training survived multiple free-tier disconnects and GPU quota resets across ~2 days wall-clock)

Evaluation

Validation loss / perplexity by domain (fixed mixture weights 40/57/3):

DomainLossPerplexity
Wikipedia2.9419.0
News3.0621.4
Web3.7341.8
Mixed3.4029.9

Final training loss: 3.25. No standard benchmark (MMLU/IndoMMLU, HellaSwag, ARC, etc.) has been run yet.

Intended use & limitations

This is a small-scale research/educational model, not intended for production use.

  • Base model only — no instruction tuning, no RLHF, no safety fine-tuning. It continues text; it does not reliably follow instructions or hold a conversation.
  • Weak factual recall. With only ~29M parameters, the model hallucinates facts confidently (e.g. it has been observed to name the wrong Indonesian president) and can self-contradict. This is treated as a capacity limitation, not a training bug — do not use this model as a source of factual information. Consider pairing it with retrieval (RAG) if factual grounding matters.
  • Mild repetition on rare or technical topics.
  • Context length is capped at 512 tokens.
  • No decontamination check was performed against evaluation benchmarks.
  • Trained with a single seed per configuration; no variance estimates are available.

How to use

This model uses a custom architecture (not a standard transformers model class), so loading requires the model code from this repo (modeling_fina.py) rather than AutoModel.

from huggingface_hub import hf_hub_download
from safetensors.torch import load_file
import torch, json

repo_id = "Dawgggggg/fina-30m-v0.1"
cfg = json.load(open(hf_hub_download(repo_id, "config.json")))
weights_path = hf_hub_download(repo_id, "model.safetensors")
modeling_path = hf_hub_download(repo_id, "modeling_fina.py")

# import Fina + Cfg from the downloaded modeling_fina.py, then:
# model = Fina(Cfg(**cfg))
# sd = load_file(weights_path)
# model.load_state_dict(sd, strict=False)  # strict=False: head.weight is tied to tok.weight, not stored separately
# model.eval()

Tokenizer: load tokenizer.json (byte-level BPE, vocab 16,384) with the Hugging Face tokenizers library.

Citation

If you use this model, please cite:

@techreport{fina30m2026,
  title  = {Fina-30M: Design, Training, and Experimental Analysis of a Small Indonesian Language Model},
  author = {Fadhlan (Horii)},
  year   = {2026},
  note   = {Technical research paper, v0.1},
  url    = {https://github.com/muhfadtz}
}

Acknowledgements

Built with the Hugging Face tokenizers and datasets libraries, and PyTorch. Training data drawn from wikimedia/wikipedia, Lyon28/Corpus-Indonesia, and iqballx/indonesian_news_datasets on the Hugging Face Hub. Entirely trained on Google Colab free tier + Google Drive storage.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура fina неизвестна transformers в образе рантайма.

Ревизия весов
e30843a

0 моделей