/ Модель

Характеристики

Лицензия
MIT
Архитектура
nanochat_gpt · dense
Базовая модель
nanochat-d24-base-champion
Библиотека
nanochat
Опубликована
8 сен 2026

nanochat-d24-chat-champion

Генерация текстаТекст → текст3 профессии

Экспериментальный англоязычный чат-чекпойнт nanochat для исследований частичного дообучения GPT на одной потребительской GPU.

110скачиваний за 30 дней0лайковвеса обновлены9 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Marcolini/nanochat-d24-chat-champion — экспериментальный англоязычный чат-чекпойнт, созданный участником проекта Marcolini на базе nanochat. Это плотная GPT-модель примерно на 910,7 млн параметров, дообученная частичным fine-tuning базовой модели: заморожены 20 слоёв, эмбеддинги и скалярные параметры. Архитектура использует rotary embeddings, QK-нормализацию, ReLU² MLP, GQA и ResFormer value embeddings; веса опубликованы в формате safetensors. Для запуска требуется класс GPT из nanochat, модель не загружается через AutoModelForCausalLM.

Модель предназначена для экспериментов с обучением чат-моделей на одной потребительской GPU, а не для развёртывания. В проверке на 1000 задач она показала 4,60% GSM8K pass@8 и 27,40% MMLU; автор предупреждает, что результат не воспроизвёлся при повторном обучении и зависит от случайного seed. Модель работает с английским текстом, а контекстная длина в карточке не сообщается. Лицензия — MIT.

Сценарии применения

  • эксперименты с дообучением чат-моделей на одной GPU
  • исследование воспроизводимости результатов обучения LLM
  • генерация англоязычных ответов в исследовательских прототипах

Ограничения

Качество низкое: модель почти не справляется с математическими задачами и общими знаниями, а заявленный лучший результат не воспроизвёлся в повторных запусках. Нет отдельного обучения безопасности и выравнивания; возможны уверенные выдумки, а для загрузки нужен nanochat GPT-класс.

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

nanochat-d24-chat-champion (provisional)

The strongest chat checkpoint produced on a single RTX 4070 in this project — and it did not replicate.

Run tag: d24_r32_adamw_partial_fr20_mixv2_2026-03-29_1040_s768_gc, step 300. Adapted from Marcolini/nanochat-d24-base-champion @ 820,230.

📊 SFT runs on W&B · 📄 Experiment log and 14 failed branches · 🧪 The data mixes that lost

Why "provisional"

This is the best single confirmed run on the chat branch. It is published as provisional, not promoted, because it failed its own reproducibility rule:

  • direct replication of the same recipe failed the quick gate
  • a deterministic 3-seed sweep failed 0 of 3
  • mixv3, mixv4, a two-stage curriculum, stage-B boosters and a curated-reasoning branch all failed to beat it

At this scale a single run sits inside seed noise. The seed sweep is the evidence, and it says this number is not reliably reachable. Treat the metrics below as one draw, not an expectation.

Evaluation

1000-problem confirm pack.

MetricValueReference
GSM8K pass@84.60%46 / 1000
MMLU27.40%274 / 1000 · random baseline for 4-choice is 25%
SpellingBee0.39%1 / 256
Best SFT val bpb0.6981

The strongest reasoning result on the project belongs to a different, unpromoted run — reasoning_manual_v1_seed42 at 6.70% GSM8K pass@8 and 27.60% MMLU — whose companion seed failed the gate outright.

Recipe

Based24_asp48_track @ 820,230 (910.7 M params)
Methodpartial fine-tune — freeze_layers=20, embeddings and scalars frozen
Optimizerpaged_adamw8bit
Geometryseq=768, total_batch=7680, gradient checkpointing on
Steps300
Datananochat's built-in reasoning_focus_v2 preset — SmolTalk + MMLU auxiliary train + 6× GSM8K + identity + SimpleSpelling + SpellingBee
Hardware1× NVIDIA RTX 4070 12 GB

Note on data: this checkpoint was trained on the built-in reasoning_focus_v2 mixture, not on the JSONL files in the companion dataset. Those are the eight later mixes that tried to beat this recipe and failed. They are published so the comparison can be checked.

Full LoRA vs partial-fine-tune ablations, the OOM ladder that made partial FT fit in 12 GB, and every failed branch are in report_v3.md.

Limitations

  • 27.40% MMLU is 2.4 points above random guessing. This model does not have meaningful general knowledge.
  • 4.60% GSM8K pass@8 means it fails ~95% of grade-school word problems given eight attempts. Reasoning is essentially absent at this scale.
  • SpellingBee 0.39% — character-level tasks are beyond it.
  • No alignment or safety training beyond what the SFT mixture provides. It will produce confident fabrication.
  • English only, inheriting FineWeb-Edu's coverage and biases.
  • Not a transformers model — see below.

Intended for research on consumer-GPU training, not for deployment.

Usage

Not loadable with AutoModelForCausalLM. The architecture uses rotary embeddings, QK-norm, relu² MLP, untied embeddings, GQA, ResFormer value embeddings, and per-layer resid_lambdas / x0_lambdas scalars, so it needs the nanochat GPT class:

git clone https://github.com/Bl4ckd09/nanochat-on-rtx4070
cd nanochat-on-rtx4070
pip install torch safetensors huggingface_hub

python -c "from huggingface_hub import snapshot_download as d; d('Marcolini/nanochat-d24-chat-champion', local_dir='ckpt')"
cd ckpt && PYTHONPATH=.. python load_example.py

A matching 32,768-vocab tokenizer is not bundled; bring the one from the fork.

Citation

@misc{nanochat_rtx4070_chat_2026,
  author = {Sun},
  title  = {nanochat-d24-chat-champion: a provisional chat checkpoint from one RTX 4070},
  year   = {2026},
  publisher = {Hugging Face},
  url    = {https://huggingface.co/Marcolini/nanochat-d24-chat-champion}
}

MIT, as upstream.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · nanochat

Нельзя запустить

Архитектура nanochat_gpt неизвестна transformers в образе рантайма.

Класс архитектуры
GPT
Ревизия весов
a623bcb

0 моделей