/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
403 млн
Размер весов
13,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_moe · MoE
Библиотека
transformers
Опубликована
28 авг 2026

apiary-7B-A1B

Генерация текстаТекст → текст3 профессии

Базовая языковая MoE-модель, обученная с нуля для генерации и продолжения текста, а также экспериментов с предобучением.

82скачиваний за 30 дней0лайковвеса обновлены28 авг 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

apiary-7B-A1B — базовая языковая модель с архитектурой Mixture-of-Experts, обученная DruidTheGetafix с нуля. В метаданных указано 402,7 млн параметров, а README описывает архитектуру на 6,85 млрд параметров всего и 1,21 млрд активных; эти сведения расходятся, поэтому размер модели требует осторожной интерпретации. Модель использует 64 эксперта с выбором 8 экспертов на токен, 16 слоёв и контекст 4096 токенов.

Модель предварительно обучена на 9,84 млрд токенов FineWeb-Edu и предназначена для продолжения текста и экспериментов с базовыми языковыми моделями. Это не модель для диалога по инструкциям. Автор характеризует её как исследовательский артефакт с ограниченным вычислительным бюджетом и отмечает, что она уступает моделям, обученным на триллионах токенов. Доступны веса в формате Safetensors; лицензия — Apache-2.0.

Сценарии применения

  • продолжение текста на английском языке
  • оценка базовой языковой модели на тестах понимания и рассуждения
  • эксперименты с архитектурой Mixture-of-Experts
  • изучение обучения языковой модели на FineWeb-Edu

Ограничения

Модель не обучена следовать инструкциям и не предназначена для диалогового помощника; автор указывает, что её возможности ограничены обучением на 9,84 млрд токенов и она уступает моделям, обученным на триллионах токенов. В README заявлено 6,85 млрд параметров, тогда как метаданные указывают 402,7 млн.

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

apiary-7B-A1B

A 64-expert Mixture-of-Experts language model pretrained from scratch on 9.84B tokens of FineWeb-Edu in 5.24 hours on one 8xB200 node (41.9 B200 GPU-hours). Architecture is exactly Qwen3MoeForCausalLM (16 layers, d=2048, 16/8 heads, 64 experts top-8, expert size 1024, vocab 49152): 6.85B total / 1.21B active parameters. Code, training log and configs: https://github.com/Gaurav-Shah05/apiary

This is a research artifact from a fixed compute budget: it is a coherent base LM in the GPT-2-XL / Pythia-1B class, not an instruction model and not competitive with models trained on trillions of tokens.

Training

  • Data: first 20 parquet files of HuggingFaceFW/fineweb-edu sample/100BT, tokenized with the SmolLM2 tokenizer (EOS-separated, no document masking), consumed sequentially — see data.py in the code repo.
  • Optimizer: AdamW lr 3e-4 (betas 0.9/0.95, wd 0.1), 1.05M-token batches, 500 warmup steps, constant then linear decay over the last 20% of the wall-clock budget; grad clip 1.0; load-balance loss 0.01, router z-loss 1e-3.
  • Systems: PyTorch 2.13, FSDP2 + torch.compile + grouped_mm experts, bf16 with fp32 master weights; median 613k tokens/s (28.2% MFU) on 8xB200; 9382 optimizer steps.
  • Final train CE 2.497; held-out FineWeb-Edu CE 2.462 (ppl 11.7) on 262k unseen tokens.

loss curve

Evaluation (lm-eval-harness, 0-shot)

HellaSwagARC-eARC-cPIQAWinograndeMMLUwikitext word ppl
48.859.633.470.952.525.519.2

(acc_norm where the task defines it.) Logits parity vs the training code: argmax agreement 90.6%, mean |diff| 0.077.

Provenance

Weights sha256 (first 16 hex): {"model-00001-of-00004.safetensors": "f9266617b050d0fa", "model-00002-of-00004.safetensors": "cf862b24644ea799", "model-00003-of-00004.safetensors": "b09df28b263a22f6", "model-00004-of-00004.safetensors": "7ea4c3d916870908"}. Full per-10-step training log: metrics.jsonl.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3MoeForCausalLM
Ревизия весов
8a18a86

0 моделей