/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
65 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Библиотека
transformers
Опубликована
3 сен 2026

Kiyo-65M

Генерация текстаТекст → текст3 профессии

Kiyo-65M — компактная базовая языковая модель для продолжения английского текста и экспериментов с генерацией.

793скачиваний за 30 дней2лайкавеса обновлены7 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

Kiyo-65M — компактная авторегрессионная языковая модель DedeProGames, обученная с нуля на 80 млрд токенов из FineWeb-Edu, DCLM-Baseline, FineMath и Stack-v3-train. Это базовая модель для продолжения текста, а не модель, настроенная на выполнение инструкций.

Модель содержит около 65 млн параметров и использует плотный декодер Llama со grouped-query attention, RMSNorm и блоками SwiGLU; её архитектура следует семейству SmolLM2. В модели 15 слоёв, размер скрытого представления — 512, словарь унаследован от SmolLM2 и насчитывает 49 тыс. токенов. Контекст ограничен 2048 токенами. Карточка заявляет поддержку английского языка.

Модель подходит для продолжения коротких текстов и экспериментов с компактными языковыми моделями. По данным карточки, она уверенно справляется с языковым продолжением, но заметно слабее в количественных задачах, многошаговой логике и отслеживании контекста; длинные выводы могут уходить в повторы или терять связность. Генерация может содержать фактические ошибки, поэтому ответы требуют проверки. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • продолжение коротких английских текстов
  • генерация простых текстовых фрагментов
  • эксперименты с небольшими авторегрессионными моделями
  • изучение архитектуры Llama и обучения языковых моделей

Ограничения

Это базовая модель без настройки на инструкции; она не предназначена для надёжного выполнения запросов. Короткое контекстное окно в 2048 токенов, слабые результаты на сложной логике и численных задачах, а также возможные фактические ошибки ограничивают её применение.

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

banner

Kiyo-65M is a decoder-only language model pretrained from scratch on 80B tokens drawn from FineWeb-Edu, DCLM-Baseline, FineMath, and Stack-v3-train.

It is the smallest member of the Kiyo family and shares the design of Kiyo-135M: a Llama-style decoder with grouped query attention, RMSNorm, SwiGLU MLPs, and tied input/output embeddings, following the SmolLM2 architecture family and reusing its 49k-token vocabulary. Kiyo-65M scales that recipe down to 15 layers and a 512-dimensional residual stream, roughly halving the parameter count while keeping the same data mixture and training code. It is trained independently from a random initialization, not distilled or pruned from Kiyo-135M.

Model Details

FieldValue
Parameters64,994,816
ArchitectureLlama-style decoder (SmolLM2 architecture)
Layers15
Hidden size512
Intermediate size1,216
Attention heads8
KV heads4
Head dimension64
Attention typeGrouped query attention
ActivationSwiGLU
NormalizationRMSNorm
Positional encodingRoPE (theta 10,000)
Vocabulary size49,152
Context length2,048
EmbeddingsTied input/output embeddings
Training tokens79,999,533,056
Optimizer steps152,587
Tokens per optimizer step524,288
Peak learning rate2.0e-3
LR scheduleWarmup-stable-decay (1/sqrt)
Weight formatsafetensors

Training Data

SourceDomainMixture share
FineWeb-EduGeneral web text, education-filtered45.0%
DCLM-BaselineGeneral web text, high-quality filtered30.0%
Stack-v3-trainSource code17.5%
FineMathMathematical reasoning7.5%

Benchmarks

Self-reported result from the official BananaMind Base Bench 1.1 script, measured on CUDA in float32.

ModelParamsOverall Elo
Kiyo-65M65.0M1,067
Rose-Mini49.4M1,037
BananaMind-2-Medium49.6M1,034
Supra-50M-Reasoning51.8M985

Figures for Rose-Mini, BananaMind-2-Medium, and Supra-50M-Reasoning are taken from the official BananaMindBench Leaderboard, all against the same BananaMind Base Bench 1.1 suite. Note that all three comparison models are 20–30% smaller than Kiyo-65M, so this is not a parameter-matched comparison.

Detailed Kiyo-65M result

CategoryAccuracyz vs. chanceEloSignificant
Language completion98.0%+11.921,468*
World knowledge74.0%+8.001,099*
Commonsense68.0%+7.021,062*
Code completion62.0%+6.041,193*
Context tracking48.0%+3.76949*
Logical reasoning42.0%+2.781,007*
Quantitative34.0%+1.47918

* = passes 1.96σ vs. chance; n=50 per category

By difficulty

DifficultyAccuracy
Easy70.9%
Medium59.8%
Hard51.7%

Summary

MetricValue
Parameters64,994,816
Overall Elo1,067
Chance floor805
Above chance floor+263
Raw accuracy60.9%
95% CI on accuracy55.7% – 66.0%

Scores are self-evaluated and may vary with the benchmark revision, Transformers version, dtype, hardware, and generation settings.

Usage

pip install -U transformers safetensors torch
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

model_id = "DedeProGames/Kiyo-65M"

tokenizer = AutoTokenizer.from_pretrained(model_id)

model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16 if torch.cuda.is_available() and torch.cuda.is_bf16_supported() else torch.float16,
).cuda().eval()

prompt = "The meaning of life is "
input_ids = tokenizer(prompt, return_tensors="pt").input_ids.to(model.device)

with torch.no_grad():
    output = model.generate(
        input_ids=input_ids,
        max_new_tokens=64,
        do_sample=False,
        repetition_penalty=1.1,
        pad_token_id=tokenizer.eos_token_id,
        eos_token_id=tokenizer.eos_token_id,
    )

print(tokenizer.decode(output[0], skip_special_tokens=True))

Limitations

This is a base model, not instruction-tuned — it continues text rather than following instructions. At 65M parameters and 80B training tokens it still produces fluent, grammatical continuations and remains strong on language completion, but accuracy falls off sharply on quantitative reasoning, multi-step logic, and context tracking, where it sits close to chance on the harder items. The 2,048-token context window also limits long-document use. It can generate incorrect facts and should not be used for high-stakes decisions without verification. Keep a finite generation limit to avoid repetition or drift on long outputs.

License

Apache 2.0

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
091a7df

0 моделей