/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
1,6 млрд
Лицензия
Apache 2.0
Архитектура
lfm2_moe · MoE
Базовая модель
Fabliq-8B-Agent-FromBase
Библиотека
transformers
Опубликована
23 июн 2026

Fabliq-8B-Agent-FromBase-Reasoning

Генерация текстаТекст → текст4 профессии

Экспериментальная англоязычная MoE-модель для диалоговой генерации текста и рассуждений, дообученная на основе Fabliq-8B-Agent-FromBase.

144скачиваний за 30 дней10лайковвеса обновлены23 июн 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

Fabliq-8B-Agent-FromBase-Reasoning — экспериментальная reasoning-версия модели Fabliq-8B-Agent-FromBase от LLM-OS-Models. Это причинная языковая модель на архитектуре Lfm2MoeForCausalLM с MoE: в README указаны 24 слоя, 32 эксперта и 4 активных эксперта на токен. Модель дообучена на данных WithinUs и Helio для добавления общего и углублённого рассуждения к агентной основе FromBase; карточка также указывает дистилляцию и supervised fine-tuning. Для практического применения описаны диалоговая генерация текста и сценарии reasoning; заявлена поддержка английского языка.

В README приведены примерно 8 млрд параметров суммарно и около 1 млрд активных, а также 8 192 токена обученного контекста и нативный контекст 128 000 токенов. Метаданные указывают 1,6 млрд параметров, поэтому размер модели в источниках расходится. Модель принимает текст и генерирует текст. Лицензия — Apache-2.0. Ограниченный набор данных второго этапа обучения и небольшое число примеров могут ограничивать обобщение; README не сообщает результаты сравнительных оценок.

Сценарии применения

  • генерация ответов в диалоге на английском языке
  • решение задач, требующих пошагового рассуждения
  • генерация текста для агентных сценариев
  • сравнение моделей с разными этапами подготовки агентной основы

Ограничения

Размер модели указан неодинаково: README сообщает около 8 млрд параметров суммарно, а метаданные — 1,6 млрд. Данные второго этапа обучения включают 281 строку; в README не приведены результаты оценки качества.

Для каких профессий подходит4

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

Fabliq-8B-Agent-FromBase-Reasoning 🌊🔬🧠

Reasoning-expanded sibling of Fabliq-8B-Agent-FromBase. Adds general + deep reasoning (WithinUs + Helio) on top of the FromBase agentic foundation. Mirrors Fabliq-8B-Agent-Reasoning but for the FromBase ablation lineage.

🔬 Why this variant?

Two parallel lineages, both end with reasoning expansion:

LineagePhase-1Phase-2
ToolBench lineFabliq-8B-Agent (ToolBench → Fable-5)Fabliq-8B-Agent-Reasoning
FromBase line (this)Fabliq-8B-Agent-FromBase (base → Fable-5)Fabliq-8B-Agent-FromBase-Reasoning (this)

Comparing the two Phase-2 endpoints answers: does ToolBench foundation matter for the final reasoning model, or is Fable-5 + reasoning enough?

🧪 Model details

ArchitectureLfm2MoeForCausalLM (24 layers, 32 experts, 4 experts/token)
Parameters~8B total / ~1B active (MoE)
Context8,192 trained · 128K native
Precisionbfloat16
Fine-tune typeFull-parameter SFT continuation
LicenseApache 2.0

📚 Training data (Phase-2B only)

Same as Phase-2: WithinUs 135 + Helio 146 = 281 rows × 4 epoch.

🔧 Training procedure

HyperparameterValue
BaseLLM-OS-Models/Fabliq-8B-Agent-FromBase
Schedule4 epochs, LR 3e-7
Max sequence length8,192
GPUs8× H200 (effective batch 64)
Train runtime~6 min

🌳 Model tree

LiquidAI/LFM2.5-8B-A1B
  ├─ ToolBench line:
  │   └─ LFM2.5-8B-A1B-Terminal-ToolBench-Full-SFT-1Epoch
  │       └─ Fabliq-8B-Agent
  │           └─ Fabliq-8B-Agent-Reasoning
  └─ FromBase line (this):
      └─ Fabliq-8B-Agent-FromBase
          └─ Fabliq-8B-Agent-FromBase-Reasoning  ← this model

📜 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
Lfm2MoeForCausalLM
Ревизия весов
dd84a4d

0 моделей