/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
53 млн
Лицензия
Apache 2.0
Архитектура
deepseek_v4 · dense
Базовая модель
nanowhale-100m-base
Библиотека
transformers
Опубликована
24 апр 2026

nanowhale-100m

Генерация текстаТекст → текст3 профессии

Компактная англоязычная модель HuggingFaceTB на архитектуре DeepSeek-V4 для чата и следования инструкциям, предназначенная главным образом для экспериментов.

641скачиваний за 30 дней69лайковвеса обновлены4 мая 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

nanowhale-100m — компактная языковая модель HuggingFaceTB для генерации текста и выполнения инструкций в формате чата. Она дообучена методом SFT на базе HuggingFaceTB/nanowhale-100m-base; базовая модель обучена с нуля на корпусе FineWeb-Edu, без весов DeepSeek-V4. Модель реализует архитектуру DeepSeek-V4: в карточке указано около 110 млн параметров, 8 слоёв и размер скрытого состояния 320. Метаданные сообщают 53 млн параметров; оценка размера расходится между источниками.

Обучение включало 5 000 шагов предварительного обучения и 3 000 шагов SFT на 460 тысячах диалогов Smol-SmolTalk. Длина контекста — 2 048 токенов. Модель ориентирована на англоязычные диалоги и инструкции; репозиторий использует формат safetensors и библиотеку Transformers.

Малый размер и демонстрационная цель делают модель полезной для изучения архитектуры и компактных экспериментов, но генерации часто бывают несвязными или фактически неверными, поэтому модель не подходит для производственного применения. README рекомендует fp32: архитектура Hyper-Connections может приводить к переполнению в bf16; для загрузки требуется trust_remote_code=True. Лицензия — Apache-2.0.

Сценарии применения

  • эксперименты с компактной языковой моделью
  • изучение реализации архитектуры DeepSeek-V4
  • генерация ответов в англоязычном чате
  • проверка следования инструкциям в небольших моделях

Ограничения

Модель мала и ограниченно обучена: ответы часто бывают несвязными или фактически неверными, поэтому она не подходит для производственного применения. README рекомендует fp32 из-за риска переполнения bf16 и указывает, что для загрузки требуется trust_remote_code=True.

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

nanowhale-100m 🐳

A small ~110M parameter language model implementing the DeepSeek-V4 architecture, fine-tuned for chat/instruction following. Trained from scratch — no weights from DeepSeek-V4 were used.

Architecture

This model implements key DeepSeek-V4 innovations at a miniature scale:

ComponentDetails
Parameters~110M total (41M embeddings, 69M non-embedding)
Hidden size320
Layers8
Attention heads8 (1 KV head — MQA-style)
MLAMulti-head Latent Attention with q_lora_rank=160
MoE4 routed experts + 1 shared, top-2 routing
Hyper-Connectionshc_mult=4, Sinkhorn routing (replacing residual connections)
MTP1 next-token prediction layer
Vocab129,280 (DeepSeek-V4 tokenizer)
Context2,048 tokens

Training

Stage 1: Pretraining

  • Dataset: HuggingFaceFW/fineweb-edu
  • Steps: 5,000 | Tokens: ~2.6B
  • Batch: 32 effective (8 × 4 GA) | Seq length: 2,048
  • LR: 6e-4, cosine, 3% warmup
  • Precision: bf16 mixed

Stage 2: SFT (this model)

  • Dataset: HuggingFaceTB/smol-smoltalk (460K conversations)
  • Steps: 3,000 | Tokens: ~72.7M
  • Batch: 32 effective (8 × 4 GA) | Seq length: 2,048
  • LR: 2e-5, cosine, 5% warmup
  • Precision: fp32

Metrics

MetricPretrainedSFT
Eval loss—2.607
Perplexity (held-out)13.6212.90
Token accuracy33.8%48.5%

Usage

import torch
from safetensors.torch import load_file
from transformers import AutoConfig, AutoModelForCausalLM, AutoTokenizer
from huggingface_hub import hf_hub_download

# Load model (recommended: manual load for reliability)
config = AutoConfig.from_pretrained("HuggingFaceTB/nanowhale-100m", trust_remote_code=True)
model = AutoModelForCausalLM.from_config(config, trust_remote_code=True).float()

# Download and load weights
weights_path = hf_hub_download("HuggingFaceTB/nanowhale-100m", "model.safetensors")
state_dict = load_file(weights_path)
model.load_state_dict(state_dict, strict=True)
model = model.cuda().eval()

tokenizer = AutoTokenizer.from_pretrained("HuggingFaceTB/nanowhale-100m")

# Chat
messages = [{"role": "user", "content": "What are 3 benefits of exercise?"}]
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
input_ids = tokenizer.encode(prompt, return_tensors="pt").cuda()
output = model.generate(input_ids, max_new_tokens=200, temperature=0.7, top_p=0.9,
                        pad_token_id=tokenizer.eos_token_id)
print(tokenizer.decode(output[0][input_ids.shape[1]:], skip_special_tokens=True))

Limitations

  • Tiny model: 110M params with 129K vocabulary — most capacity goes to embeddings. Generations are often incoherent or factually wrong.
  • Undertrained: Only 5K pretrain + 3K SFT steps. Production models train for 100K+ steps on trillions of tokens.
  • Educational purpose: This model demonstrates the DeepSeek-V4 architecture at small scale. It is not suitable for any production use.
  • bf16 NaN: Use fp32 — the Hyper-Connections architecture produces values that overflow bf16 range at this scale.
  • Custom code: Requires trust_remote_code=True.

Hardware

Trained on 1× NVIDIA H100 80GB.

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
DeepseekV4ForCausalLM
Ревизия весов
6a3bed5

0 моделей