/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
53 млн
Лицензия
Apache 2.0
Архитектура
deepseek_v4 · dense
Библиотека
transformers
Опубликована
24 апр 2026

nanowhale-100m-base

Генерация текстаТекст → текст3 профессии

Компактная предварительно обученная модель DeepSeek-V4 от HuggingFaceTB для продолжения текста и экспериментов с языковыми моделями.

917скачиваний за 30 дней24лайкавеса 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-base — небольшая предварительно обученная языковая модель от HuggingFaceTB, реализующая архитектуру DeepSeek-V4. В карточке указано около 110 млн параметров, а в метаданных — 53 млн; поэтому точный размер противоречив. Модель использует 8 слоёв, скрытый размер 320, Multi-head Latent Attention, разреженную смесь экспертов с активацией двух из четырёх экспертов на токен и Hyper-Connections. Длина контекста — 2048 токенов.

Модель обучалась на HuggingFaceFW/fineweb-edu примерно на 2,6 млрд токенов и предназначена для продолжения текста и экспериментов с компактной реализацией архитектуры DeepSeek-V4. Это базовая модель без дообучения на инструкциях, поэтому она не предназначена для надёжного диалогового следования инструкциям. Лицензия — Apache-2.0.

Авторы отмечают ограниченную ёмкость из-за малого размера и большой доли параметров эмбеддингов, а также недостаточный объём обучения. Для этой реализации рекомендуется fp32: Hyper-Connections могут приводить к переполнению в bf16. Для загрузки требуется trust_remote_code=True.

Сценарии применения

  • продолжение коротких текстовых фрагментов
  • эксперименты с архитектурой DeepSeek-V4
  • изучение Multi-head Latent Attention и смеси экспертов
  • создание прототипов компактных языковых моделей

Ограничения

Модель мала и ограниченно обучена, не настроена на выполнение инструкций и может давать ненадёжные ответы. README предупреждает о переполнении bf16 и указывает на необходимость 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-base 🐳

A small ~110M parameter language model implementing the DeepSeek-V4 architecture from scratch. This is the pretrained base model — see HuggingFaceTB/nanowhale-100m for the SFT/chat version.

Training code: github.com/huggingface/nanowhale

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)
Head dim96 (32 RoPE + 64 NoPE)
MLAq_lora_rank=160, o_groups=2, o_lora_rank=80
MoE4 routed experts + 1 shared, top-2 routing
Expert FFNSwiGLU, intermediate_size=640
Routingsqrtsoftplus scoring, noaux_tc method
Hyper-Connectionshc_mult=4, Sinkhorn routing (2 iters)
MTP1 next-token prediction layer
Vocab129,280 (DeepSeek-V4 tokenizer)
Context2,048 tokens

DeepSeek-V4 Features Implemented

  • Multi-head Latent Attention (MLA): Compressed KV cache via latent projections
  • Mixture of Experts (MoE): Sparse activation — only 2 of 4 experts per token
  • Hyper-Connections: Multi-copy hidden states with learned Sinkhorn routing replacing residual connections
  • SwiGLU FFN with configurable limit
  • Grouped output projection (o_groups)

Training

  • Dataset: HuggingFaceFW/fineweb-edu (streaming)
  • Steps: 5,000
  • Tokens seen: ~2.6B
  • Batch size: 8 × 4 gradient accumulation = 32 effective
  • Sequence length: 2,048
  • Learning rate: 6e-4, cosine schedule, 3% warmup
  • Optimizer: AdamW (β1=0.9, β2=0.95, weight_decay=0.1)
  • Precision: bf16 mixed precision
  • Hardware: 1× NVIDIA H100 80GB

Training Metrics

MetricValue
Final loss~5.3 (cross-entropy)
Final entropy3.77
Token accuracy33.8%

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-base", 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-base", "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-base")

# Generate
input_ids = tokenizer.encode("The meaning of life is", return_tensors="pt").cuda()
output = model.generate(input_ids, max_new_tokens=100, temperature=0.7, top_p=0.9,
                        pad_token_id=tokenizer.eos_token_id)
print(tokenizer.decode(output[0], skip_special_tokens=True))

Limitations

  • Small model: 110M params with 129K vocab means ~37% of parameters are in embeddings, limiting model capacity
  • Limited training: Only 5K steps / 2.6B tokens — significantly undertrained compared to production models
  • Pretrained only: This is a base model without instruction tuning. Outputs are language-model completions, not conversations.
  • bf16 NaN: Use fp32 — the Hyper-Connections architecture produces values that overflow bf16 range at this scale.
  • Custom architecture: Requires trust_remote_code=True

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
8ea74cc

0 моделей