/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
436 млн
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
12 авг 2026

Summer-0.5B-S0

Генерация текстаТекст → текст3 профессии

Базовая двуязычная модель Ismantic, обученная с нуля для продолжения английского и китайского текста и дальнейшего дообучения.

81скачиваний за 30 дней0лайковвеса обновлены27 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

Summer-0.5B-S0 — двуязычная базовая языковая модель Ismantic, обученная с нуля на английском и китайском текстах. Она содержит 436,2 млн параметров по метаданным Hugging Face; в README указано 524,3 млн. Модель использует плотную архитектуру Qwen3ForCausalLM, собственный токенизатор на 81 903 элемента и обучалась на 14,6 млрд токенов без инструкционных и параллельных данных. Максимальный контекст по метаданным — 32 768 токенов, а последовательности при обучении имели длину 2 048.

Модель предназначена для продолжения текста и как отправная точка для дальнейшего обучения, например annealing или SFT. По README, промпт необходимо начинать с токена BOS; без него генерация может стать повторяющейся. Модель пока плохо подходит для перевода по few-shot примерам: такого обучения в её данных не было. Токенизатор не загружается через AutoTokenizer, для работы предусмотрены отдельные файлы проекта. Лицензия — Apache-2.0.

Сценарии применения

  • генерация продолжения текста на английском
  • генерация продолжения текста на китайском
  • эксперименты с базовыми моделями, обученными с нуля
  • дообучение языковой модели на собственных инструкционных данных

Ограничения

Для корректной генерации каждый ввод должен начинаться с BOS; README предупреждает, что без него вывод становится повторяющимся. Модель не обучалась на инструкционных или параллельных данных, поэтому слабо следует few-shot инструкциям и практически не выполняет перевод по примерам.

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

Summer-0.5B-S0

Summer-0.5B-S0 is a from-scratch bilingual (Chinese/English) base model: 524,336,128 parameters, trained from random initialization on 14.6B tokens with a self-trained 81,903-piece tokenizer.

It is not a fine-tune or a tokenizer-swap of any existing model. The architecture follows Qwen/Qwen3-0.6B-Base (28 layers / hidden 1024 / GQA 16:8 / head_dim 128 / tied embeddings / RoPE theta 1e6), but every weight starts from N(0, 0.02).

Stage

S0 — monolingual only, from-scratch pretraining. 14.6B tokens, English 70% / Chinese 30%, 55,694 steps.

This is a retrain of the original Summer-0.5B-S0, redesigned to align with nanochat's actual training recipe:

  • English is a single source (FineWebEdu, HuggingFaceFW/fineweb-edu), matching nanochat's karpathy/fineweb-edu-100b-shuffle — not the five-source blend the original release used.
  • Chinese is still multiple sources, but screened first: two sources found to be 51.8% / 55.7% Traditional-Chinese-dominant by sampled character frequency (against a downstream instruction mix that is 100% Simplified) were dropped rather than mixed in.
  • Packing is BOS-aligned best-fit (bos_bestfit): every training row starts with <bos> and packs whole documents greedily by best fit, cropping only the one document (if any) that doesn't fit the remainder — the same algorithm as nanochat's tokenizing_distributed_data_loader_with_state_bos_bestfit, verified line-by-line against nanochat's source. The original release used a continuous stream with no BOS token at all.
  • Sequence length is 2048, matching nanochat (max_seq_len=2048 since its first commit, used unchanged at every depth from d4 to d26+).

Every input to this model must start with <bos>. It has never seen a sequence that doesn't. example_load.py / example_vllm.py in this repo do this for you — if you tokenize text yourself without prepending <bos>, the model will produce degenerate repetitive output regardless of prompt.

No parallel or instruction data at any point.

What to expect

This is a 14.6B-token model. For scale: Qwen3-0.6B-Base saw 36T tokens — about 2,700x more. Treat the numbers below as what that budget buys, not as a competitive result.

Letter multiple-choice (nanochat's primary format — render the question, model answers a single letter)

previous releasethis release
ARC-Easy0.25630.2668
ARC-Challenge0.23380.2654
MMLU0.23060.2551
C-Eval0.21660.2527

This release scores above the random baseline (0.25) on all four tasks; the previous release was below it on three of four.

Likelihood-scoring protocol (lm-evaluation-harness convention)

previous releasethis release
ARC-Easy (acc_norm)0.49490.5391
ARC-Challenge (acc_norm)0.26710.3003
MMLU (acc)0.25200.2465
C-Eval (acc_norm)0.23630.2348
GSM8K 8-shot (flexible-extract)0.01210.0167

WMT22 5-shot translation

BLEUCOMET
zh->en0.290.4354
en->zh2.780.5505

Few-shot translation is still essentially zero — expected, this checkpoint has never seen parallel text. The model produces fluent but off-topic continuations rather than translations; it does not yet follow the in-context examples. See Summer-0.5B-S1 for the version where in-context translation appears. Its value is as (a) a from-scratch bilingual base model in its own right, and (b) a starting point for annealing / SFT.

Tokenizer

The tokenizer is a compiled C++ extension, not loadable by AutoTokenizer. The release ships tokenizer.py and example_load.py:

pip install git+https://github.com/Ismantic/PieceTokenizer
python example_load.py

The model code (model.py, checkpoint.py) is bundled too — the package depends only on torch plus the tokenizer extension, not on transformers.

Training

Full pipeline, data mixes and every design decision (including the mistakes) are documented in https://github.com/Ismantic/Summer. Notably docs/WHY.md records why fp32 master weights are mandatory, why the learning rate schedule is WSD rather than cosine, and what the vocabulary swap cost.

License

Apache-2.0. Training corpora are public datasets (FineWeb-Edu, Cosmopedia, CCI3-HQ, SkyPile, WMT19, OPUS-100 and others; see data/source.py upstream). Please observe their respective 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
Qwen3ForCausalLM
Ревизия весов
16cf0c6

0 моделей