/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Архитектура
qwen4_exp_text · MoE
Библиотека
transformers
Опубликована
13 сен 2026

ModujoMoE

Генерация текстаТекст → текст3 профессии

ModujoMoE — базовая MoE-языковая модель для продолжения текста и дальнейших экспериментов с предобучением и настройкой.

696скачиваний за 30 дней1лайквеса обновлены6 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

ModujoMoE — репозиторий весов языковой модели Modujo-AI на архитектуре Qwen4ExpForCausalLM с разреженной смесью экспертов. В корне репозитория весов нет: доступные варианты находятся в отдельных подкаталогах, поэтому при загрузке нужно указать нужный subfolder. README описывает базовую модель continued pretraining Modujo-1B-A0.75B, а также промежуточные снимки Modujo-4B-A0.66B для continued pretraining и экспериментального SFT; метаданные репозитория указывают общий масштаб 1,5 млрд параметров и контекст до 32 768 токенов.

Модель предназначена для продолжения текста и дальнейших экспериментов с предобучением, инструкционной настройкой и архитектурой MoE. В варианте 1B указаны 36 слоёв, восемь маршрутизируемых экспертов на слой, выбор двух экспертов и один общий эксперт; схема внимания чередует три слоя Gated DeltaNet с одним слоем плотного внимания. Модель поддерживает португальский язык по метаданным карточки. Базовый чекпойнт не настроен на инструкции и не предназначен для диалогового использования: длинные генерации могут повторяться, а следование инструкциям нестабильно. README не указывает лицензию.

Сценарии применения

  • продолжение короткого текста на португальском языке
  • эксперименты с дообучением языковой модели
  • исследование маршрутизации экспертов в MoE-моделях
  • сравнение вариантов внимания Gated DeltaNet и плотного внимания

Ограничения

Базовый чекпойнт не настроен на инструкции и не предназначен для использования как чат-ассистент; длинные генерации могут повторяться, а следование инструкциям нестабильно. Для загрузки необходимо указать подкаталог с весами, поскольку в корне репозитория весов нет.

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

Modujo model weights

This repository keeps model variants in self-contained subdirectories. The repository name is retained for compatibility, but the repository root no longer contains model weights and must not be loaded directly.

Weight directories

PathModelMeaningStatus
pretrain/Modujo-1B-A0.75B/Modujo-1B-A0.75BContinued-pretraining base model: 1B total scale and A0.75B active scaleAvailable
sft/Modujo-4B-A0.66B/Modujo-4B-A0.66B SFTIntermediate short-data SFT checkpoint; teacher stage not startedExperimental
pt/Modujo-4B-A0.66B/Modujo-4B-A0.66B PTIntermediate continued-pretraining snapshot; not instruction-tunedAvailable
Repository rootHistorical 9B-A1B architecture metadata and shared tokenizer filesThe original random-initialized 9B weight shards were removed; this is not a loadable model directoryNo weights

Separate 4B PT and experimental SFT snapshots are available in named directories. The SFT has not completed its teacher-distillation stage. The PT is a later continuation snapshot than the SFT initialization source; see each model card for lineage and limitations.

Pretrained base model

pretrain/Modujo-1B-A0.75B/ is the released pretraining artifact.

  • Architecture: Qwen4ExpForCausalLM
  • Model size: 1B total scale
  • Active size: approximately A0.75B per token
  • 36 layers with 8 routed experts per layer, top-2 routing, and one shared expert
  • Attention layout: repeating 3 Gated DeltaNet layers + 1 dense-attention layer
  • Context configuration: 32K maximum positions; training sequences were up to 2,048 tokens
  • Weight format: BF16 safetensors
  • Training stage: continued-pretraining base model
  • Not instruction-tuned and not intended to be treated as a chat model
  • No QSA sparse indexer in this release

Detailed machine-readable size metadata is recorded in parameter_summary.json.

Loading

Pass the subdirectory explicitly:

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = "Modujo-AI/ModujoMoE"
subfolder = "pretrain/Modujo-1B-A0.75B"

tokenizer = AutoTokenizer.from_pretrained(repo_id, subfolder=subfolder)
model = AutoModelForCausalLM.from_pretrained(
    repo_id,
    subfolder=subfolder,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

Loading only Modujo-AI/ModujoMoE without subfolder will fail because there are intentionally no weights at the repository root.

Planned experiments

The current base model will be evaluated through three separate tracks:

  • SFT: improve instruction following, response quality, repetition control, and multi-turn dialogue stability.
  • QSA: add and train sparse attention indexers, then compare long-context quality, inference speed, and memory use against dense attention.
  • Looped Transformer: reuse selected Transformer layers to test whether deeper computation with shared parameters provides a practical quality and efficiency benefit.

These tracks will be evaluated independently before any combined model is considered. Future weights will use separate directories with explicit names.

Limitations

This is a base language model checkpoint. It can perform short text completion, but long generations may repeat and instruction following is not yet stable. Use a separately identified SFT or aligned release for assistant/chat use when one becomes available.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen4ExpForCausalLM
Ревизия весов
a68462b

0 моделей