/ Модель

Характеристики

Контекст
131 072 токена
Параметры
4,2 млрд
Размер весов
19 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
Llama-3.1-8B-Instruct
Библиотека
transformers
Опубликована
5 сен 2026

ADAPT-Llama3.1-4.8B-Instruct

Генерация текстаТекст → текст7 профессий

Компактная дистиллированная модель Llama для диалоговой генерации текста и интерполяции размера с Llama 3.1 8B Instruct.

120скачиваний за 30 дней0лайковвеса обновлены5 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

ADAPT-Llama3.1-4.8B-Instruct — инструкционно настроенная плотная языковая модель семейства Llama, разработанная Harvard-DCML как студенческая модель, дистиллированная из meta-llama/Llama-3.1-8B-Instruct. Она предназначена для генерации текста и диалогов, а также служит компактной моделью для построения промежуточных вариантов размера между ней и исходной моделью-учителем с помощью метода ADAPT.

Модель содержит 4,2 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. Для интерполяции README рекомендует патчить первые слои студенческой модели; число патчируемых слоёв позволяет менять размер промежуточной модели. В метаданных указаны библиотека Transformers и формат safetensors.

Модель основана на Llama 3.1 8B Instruct и обучалась на данных The Pile deduplicated и Llama Nemotron Post-Training Dataset. Лицензия — Apache-2.0. Карточка не перечисляет конкретные языки или детальные ограничения качества; как и другие генеративные языковые модели, она может выдавать неточные или нежелательные ответы.

Сценарии применения

  • генерация ответов в диалоге
  • создание промежуточной модели между студенческой и исходной Llama 3.1 8B
  • эксперименты с интерполяцией размера посттренированных языковых моделей

Ограничения

Карточка не сообщает конкретные языки обучения или результаты оценки качества. Для построения промежуточных вариантов требуется функция build_intermediate_model из репозитория проекта.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Description

ADAPT is a technique that allows for size interpolation across different post-trained variants of the same base model. This is the student model distilled from Llama-3.1-8B-Instruct from our paper.

Training Procedure

This model was initialized from Llama-3.1-8B-Instruct by copying every other layer and the last 2 layers. It was distilled on 1B tokens of The deduplicated Pile and 1B of the math split from Llama Nemotron Post Training Dataset with cross entropy, KL, and cosine loss to match the activations of Llama-3.1-8B-Instruct. We used the following hyperparameters:

  • Learning rate: 3e-4
  • Learning rate scheduler: cosine
  • Warmup ratio: 0.01
  • Optimizer: AdamW
  • Adam betas: (0.9, 0.95)
  • Adam epsilon: 1e-8
  • Weight decay: 0.1
  • Max. gradient norm: 1.0
  • Number of training steps (Pre-training phase): 480
  • Effective batch size (Pre-training phase): 2048
  • Number of training steps (SFT phase): 585
  • Effective batch size (SFT phase): 4096
  • Max. sequence length: 1024
  • Mixed precision: bf16
  • KLDiv weight: 0.1
  • Cosine distance weight per layer: 10.0

Use

To interpolate between this model and Llama-3.1-8B-Instruct, please use the build_intermediate_model function from our github repository:

import torch
from patching.patch import build_intermediate_model

intermediate_model = build_intermediate_model(
  teacher_name_or_path = "meta-llama/Llama-3.1-8B-Instruct",
  student_name_or_path = "Harvard-DCML/ADAPT-Llama3.1-4.8B-Instruct",
  num_layers_to_patch = 2,
  patch_first_k_layers = True,
  dtype = torch.bfloat16,
)

Notes:

  1. Changing num_layers_to_patch changes the size of the intermediate model by patching different numbers of student layers.
  2. patch_first_k_layers should be set to True for this model for optimal interpolation performance.

Citation

@misc{zhou2026thinkingrightsizeamortized,
      title={Thinking at the Right Size: Amortized Distillation Across Post-Trained LLMs}, 
      author={Yan Zhou and Sara Kangaslahti and Jonathan Geuter and Nihal V. Nayak and Marco Fumero and Francesco Locatello and David Alvarez-Melis},
      year={2026},
      eprint={2608.22854},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2608.22854}, 
}

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
68f83e0

0 моделей