/ Модель

Характеристики

Параметры
163 млн
Лицензия
Apache 2.0
Архитектура
mamba · dense
Библиотека
transformers
Опубликована
20 окт 2024

MiniPLM-Mamba-130M

Генерация текстаТекст → текст3 профессии

Компактная предварительно обученная языковая модель Mamba для генерации и продолжения текста, созданная методом дистилляции MiniPLM.

87скачиваний за 30 дней4лайкавеса обновлены25 мар 2025

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

MiniPLM-Mamba-130M — языковая модель с архитектурой Mamba, разработанная авторами MiniPLM и обученная с нуля на корпусе The Pile с применением их метода дистилляции. В качестве учителя использовалась Qwen1.5-1.8B; модель содержит 163,2 млн параметров по метаданным Hugging Face.

Модель предназначена для генерации текста и продолжения текстовых последовательностей. Метод MiniPLM формирует обучающие данные с учётом знаний учителя и позволяет обучать модели разных семейств без совпадения токенизаторов. В карточке приведены английский язык и формат весов safetensors; лицензия — Apache-2.0.

Карточка описывает модель как предварительно обученную, но не приводит длину контекста или результаты, позволяющие оценить её качество в конкретных сценариях. Поэтому перед применением стоит проверить генерацию на целевых данных; данные о специализированной настройке для отдельных областей отсутствуют.

Сценарии применения

  • генерация продолжения английского текста
  • создание небольших текстовых подсказок и черновиков
  • эксперименты с языковыми моделями архитектуры Mamba
  • исследование дистилляции языковых моделей на этапе предобучения

Ограничения

В карточке не указаны длина контекста и оценка качества по конкретным задачам. Модель описана как предварительно обученная, поэтому её пригодность для целевых сценариев следует проверять отдельно.

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

MiniPLM-Mamba-130M

paper | code

MiniPLM-Mamba-130M is a 130M parameter language model with the Mamba architecture pre-trained from scratch on the Pile using the MiniPLM knowledge distillation framework. It uses the official Qwen1.5-1.8B as the teacher model. This model demonstrates the flexibility of the MiniPLM framework in conducting knowledge distillation across model families. The pre-training corpus refined by Difference Sampling in MiniPLM is open-sourced for reproducibility.

MiniPLM: Knowledge Distillation for Pre-Training Language Models

Knowledge distillation (KD) is widely used to train small, high-performing student language models (LMs) using large teacher LMs. While effective in fine-tuning, KD during pre-training faces challenges in efficiency, flexibility, and effectiveness. Existing methods either incur high computational costs due to online teacher inference, require tokenization matching between teacher and student LMs, or risk losing the difficulty and diversity of the teacher-generated training data. To address these issues, MiniPLM is proposed, a KD framework for pre-training LMs by refining the training data distribution with the teacher's knowledge. For efficiency, MiniPLM performs offline teacher LM inference, allowing KD for multiple student LMs without adding training-time costs. For flexibility, MiniPLM operates solely on the training corpus, enabling KD across model families. For effectiveness, MiniPLM leverages the differences between large and small LMs to enhance the difficulty and diversity of the training data, helping student LMs acquire versatile and sophisticated knowledge.

Evaluation

MiniPLM models achieve better performance given the same computation and scale well across model sizes:

Baseline Models

Citation

@article{miniplm,
    title={MiniPLM: Knowledge Distillation for Pre-Training Language Models}, 
    author={Yuxian Gu and Hao Zhou and Fandong Meng and Jie Zhou and Minlie Huang},
    journal={arXiv preprint arXiv:2410.17215},
    year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
MambaForCausalLM
Ревизия весов
91db146

0 моделей