/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
15,5 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Библиотека
transformers
Опубликована
27 сен 2026

Wisp-15M

Генерация текстаТекст → текст3 профессии

Небольшая базовая англоязычная LLaMA-модель для экспериментов с генерацией текста, локального запуска и дальнейшего дообучения.

361скачиваний за 30 дней2лайкавеса обновлены27 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

Wisp-15M — небольшая базовая языковая модель семейства Wisp от DedeProGames, обученная с нуля на 3 млрд токенов англоязычных веб-текстов, кода и математики. Это авторегрессионная модель с архитектурой LLaMA и 15,5 млн параметров; она загружается через Transformers как LlamaForCausalLM без пользовательского кода. Модель не проходила инструкционное дообучение.

Модель предназначена для учебных и исследовательских экспериментов, локальных запусков на устройствах с ограниченными ресурсами, черновой генерации для speculative decoding и как основа для дальнейшего дообучения. Она принимает текст и генерирует продолжение. Контекст — 2048 токенов; токенизатор Wisp — byte-level BPE на 8192 токена. Обучение включало веб-тексты, код и математику, однако модель ориентирована преимущественно на английский язык.

Малый размер упрощает эксперименты и развёртывание, но знания и способности к рассуждению сильно ограничены: связный на вид текст может быть ошибочным или бессвязным. Модель не выровнена и не настроена на безопасность, может воспроизводить предубеждения обучающих данных. Лицензия — Apache-2.0.

Сценарии применения

  • эксперименты с малыми языковыми моделями
  • учебные проекты по авторегрессионной генерации текста
  • генерация черновых продолжений текста на устройстве
  • черновая модель для speculative decoding
  • дообучение компактной языковой модели на специализированных данных

Ограничения

Модель обладает ограниченными знаниями и способностью к рассуждению; её ответы могут быть ошибочными или бессвязными. Она не выровнена и не настроена на безопасность, поэтому не подходит для сценариев, где важна точность.

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

Wisp-15M

Wisp-15M is a tiny decoder-only language model from the Wisp family, trained from scratch on 3.00B tokens of English web text, code and math. It uses a plain LLaMA architecture, so it loads with transformers (LlamaForCausalLM) with no custom code.

It is a base model (not instruction-tuned). Its size makes it useful for research, education, speculative decoding drafts, on-device experiments and as a starting point for fine-tuning. Don't expect factual accuracy.

loss curve

The Wisp family

ModelParamsNon-embeddingHiddenLayersHeadsKV headsFFNTokens
Wisp-5M5.1M3.5M1929625123B
Wisp-15M15.5M12.9M320121028643B
Wisp-60M (planned)60.6M56.4M51220821408—

All models share the same tokenizer and saw the same data in the same order: one fixed global shuffle of 2048-token windows. That makes the family directly comparable across sizes.

Architecture

  • LLaMA-style decoder: pre-norm RMSNorm, rotary position embeddings (θ = 10,000), SwiGLU MLP, grouped-query attention, no biases, tied input/output embeddings
  • Deep-and-thin shapes (following MobileLLM), which work better than wide-and-shallow at this scale
  • Context length: 2048 tokens
  • Tokenizer: Wisp byte-level BPE, 8,192 tokens, trained on the same data mix; digits are split individually (better for arithmetic); <|endoftext|> is used as BOS/EOS and document separator. Compression is ~3.8 characters/token on English web text and ~3.0 on code.

Training

Tokens3.00B (11,444 steps × 262,144 tokens)
Sequence length2048
OptimizerMuon (hidden matrices, Moonlight RMS-matched update) + AdamW (embeddings, norms)
Peak LR / weight decay0.007 / 0.1
ScheduleWarmup-Stable-Decay: 1% warmup, linear decay to 0 over the last 20%
Precisionmixed precision (bf16/fp16 autocast, fp32 master weights), torch.compile
Hardware1× NVIDIA L4 (Hugging Face Jobs), 373 min
  • Compute cost: ~US$5.00 on Hugging Face Jobs

Data mix

An 8B-token pool was pretokenized with the mix below and shuffled once as 2048-token windows. Each model trained on the first 3.00B tokens of that shuffle, which keeps the same proportions.

SourceSubset / filterShareTokens in pool
FineWeb-Edusample-100BT45%3.6B
DCLM-Baselineglobal-shard_0135%2.8B
The Stack v340 popular languages, no vendor files, <=64KB12%0.96B
FineMathfinemath-4plus8%0.64B

Evaluation

Held-out cross-entropy (nats/token, lower is better) on documents never seen in training:

FineWeb-EduDCLMStack v3FineMathAverage
2.9143.1671.4612.2752.454

The average is unweighted across the four sources. Code is much more predictable than prose, so it sits below the training loss, which follows the 45/35/12/8 training mix. Weighted by that mix, the held-out loss is 2.777.

Zero-shot benchmarks

lm-evaluation-harness, zero-shot; acc_norm for HellaSwag/ARC/PIQA/OpenBookQA/SciQ, acc for WinoGrande/LAMBADA. Pythia-70M (70M params, 300B tokens of the Pile) is shown as a reference from EleutherAI's published evaluations.

TaskWisp-15MPythia-70MRandom
HellaSwag28.0—25.0
ARC-Easy35.935.025.0
ARC-Challenge22.022.125.0
PIQA57.559.150.0
WinoGrande51.152.850.0
OpenBookQA26.2—25.0
SciQ63.055.225.0
LAMBADA21.318.50.0
LAMBADA ppl112.7142.4—

Greedy samples right after training:

  • 'The meaning of life is that the person who lives in a certain place will be able to live with his or her own needs. The person who lives in an area where he/she has no need for food and drinks, can live without food.\nIn addition'
  • 'Once upon a time, the people of the country were in their own hands. The people of the country were not able to get any help from them. They had no idea what they wanted and could not find anything else.\nThe people of the country were not able'
  • 'def is_prime(n): print(prime)\nprint("Prime number: ", n)\n\n# Prime numbers are not prime\nprint(prime)\nprint(prime)\nprint(prime)\n\n# Prime numbers are not prime\nprint('
  • 'The derivative of x^2 is 1/x^3. The derivative of y^2 is 0, which means that the derivative of y is 0.\n\n## What is the derivative of x?\n\nThe derivative of a function is defined as'

Usage

from transformers import AutoTokenizer, AutoModelForCausalLM

repo = "DedeProGames/Wisp-15M"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo)

inputs = tok("The water cycle is", return_tensors="pt")
out = model.generate(**inputs, max_new_tokens=60, do_sample=True, temperature=0.8, top_p=0.95,
                     repetition_penalty=1.1)
print(tok.decode(out[0], skip_special_tokens=True))

The tokenizer prepends <|endoftext|> as BOS, which matches how documents were laid out during training.

Limitations

A model this small has very limited knowledge and reasoning. It will produce fluent-looking but often wrong or incoherent text, and it can reproduce biases present in web data. It is English-centric and was not aligned or safety-tuned. Don't use it for anything where correctness matters.

License

Apache-2.0 for the model weights. Training data licenses: FineWeb-Edu, FineMath and The Stack v3 are ODC-By; DCLM-Baseline is CC-BY-4.0. Code in The Stack v3 comes with its original licenses.

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
78f926c

0 моделей