/ Модель

Характеристики

Контекст
256 токенов
Параметры
1,8 млн
Лицензия
MIT
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
29 сен 2026

TinyQwen3-1.8M-Base

Генерация текстаТекст → текст3 профессии

Компактная англоязычная модель на архитектуре Qwen3 для продолжения коротких текстов и генерации простых историй.

677скачиваний за 30 дней0лайковвеса обновлены1 окт 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

TinyQwen3-1.8M-Base — компактная причинно-авторегрессионная языковая модель, созданная MehTheHedgehog на архитектуре Qwen3 с помощью Hugging Face Transformers. Модель и токенизатор обучены с нуля на 50 тысячах англоязычных историй из TinyStories-Tiered; предобученные веса Qwen не использовались. В модели 1,836,544 параметра и два слоя, её контекст составляет 256 токенов. Репозиторий содержит контрольные точки FP16, BF16 и FP32 в формате safetensors.

Модель предназначена для продолжения коротких текстов и генерации простых англоязычных историй. На отложенной выборке автор сообщает точность предсказания следующего токена около 59% и perplexity 5,27 при оценке с контекстом в 256 токенов. Из-за малого размера и узкого обучающего корпуса её возможности ограничены короткой художественной прозой; README не подтверждает пригодность для диалога, рассуждений или широких прикладных задач. Лицензия модели — MIT.

Сценарии применения

  • генерация коротких англоязычных историй
  • продолжение простого художественного текста
  • изучение обучения языковой модели с нуля
  • эксперименты с компактными причинными языковыми моделями

Ограничения

Модель обучена только на небольшом корпусе англоязычных историй, имеет контекст 256 токенов и всего около 1,8 млн параметров. Её качество и применимость за пределами короткой простой прозы не подтверждены.

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

TinyQwen3-1.8M-Base

TinyQwen3-1.8M-Base is a small causal language model using the Qwen3 dense architecture.

The tokenizer and model weights were pretrained from scratch on the 50k configuration of TinyStories-Tiered, a cleaned, deterministic and tiered edition of TinyStories. No pretrained Qwen weights were used.

Model specification

PropertyValue
ArchitectureQwen3ForCausalLM
Parameters1,836,544
Layers2
Hidden size256
Intermediate size768
Attention heads4
KV heads2
Head dimension64
Vocabulary1,024-token byte-level BPE
Context length256
Tied input/output embeddingsYes

The repository contains an FP16 checkpoint at the root, with BF16 and FP32 checkpoints in the bf16/ and fp32/ subdirectories. The tokenizer is shared by all checkpoints and is loaded from the root.

Training

The training corpus is the train split of the 50k tier: 50,000 stories, about 14.66M tokens including one EOS per story as measured by the dataset's reference tokenizer. All tokens are packed into 256-token windows with one-token overlap, and the 50 epochs represent approximately 733M predicted-token exposures over the same training subset.

Each run trains a fresh 1,024-token byte-level BPE on the first 2,048 training stories. Because tiers are nested prefixes, this tokenizer sample is identical for every tier from 2k upward.

PropertyValue
DatasetMehTheHedgehog/TinyStories-Tiered
Configuration50k
Revision2068b007ca3cc349857c8996bd7de5e169635220
Epochs50
Training batch size32
Evaluation batch size64
OptimizerAdamW, betas (0.9, 0.95)
Learning rate0.0005
Weight decay0.1
Gradient clipping1.0
Seed1234
Token exposure733,112,000
Training time3,786 sec / ~63 min
Epoch time~75 sec
GPUNvidia RTX 3060 6GB Mobile
Best checkpoint epoch49
Best checkpoint token exposure718,449,760
EpochTrain loss
12.5395
101.6710
251.5953
49 (best)1.5632
501.5626
SplitStoriesTokensRole
Train50,00014,662,240Training corpus
Validation2,500727,083Per-epoch evaluation and checkpoint selection
Test2,500710,835Single held-out evaluation of the best checkpoint

To reproduce the recorded settings, run from this directory:

python train.py --tier 50k --epochs 50 --seed 1234

Checkpoints, the tokenizer, and metrics.json are written to the current working directory by default. Use --output-dir to choose another folder.

Evaluation

Training evaluates the tier's validation split after every epoch, and the best checkpoint is selected on it. The held-out test split is evaluated once on the best checkpoint and recorded as best_test.

The following results come from reloading and evaluating each serialized checkpoint on the packed validation split:

CheckpointCross-entropy (nats/token)PerplexityNext-token accuracy
FP161.6628665.274458.9752%
BF161.6630025.275158.9778%
FP321.6628635.274458.9715%

Cross-entropy is token weighted; perplexity is its exponential. These metrics use the model's 1,024-token tokenizer and 256-token context. The first token of the validation corpus supplies context rather than a prediction target.

Validation loss fell steadily and reached its minimum at epoch 49, the retained checkpoint:

EpochSplitEval lossPerplexityNext-token accuracy
1validation2.09428.119051.05%
10validation1.73145.648757.66%
25validation1.68215.377058.64%
49 (best)validation1.66295.274458.97%
49 (best)test1.65985.258059.14%
50validation1.66475.284359.00%

Full epoch history, checkpoint evaluations and the held-out test result are available in metrics.json.

Attributions

Architecture

The model uses the Qwen3 architecture but does not contain pretrained Qwen weights.

Qwen3 is described in Qwen3 Technical Report, Yang et al. (2025). The model implementation is provided by Hugging Face Transformers.

Dataset

TinyStories-Tiered is a cleaned, deduplicated and tiered edition of TinyStories, derived from the work of Ronen Eldan and Yuanzhi Li, authors of TinyStories: How Small Can Language Models Be and Still Speak Coherent English?.

The source dataset is licensed under CDLA-Sharing-1.0. The dataset is loaded from Hugging Face; model exports contain no dataset text.

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
0cd1910

0 моделей