/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
956 млн
Лицензия
MIT
Архитектура
nanochat · dense
Базовая модель
nanochat-d34
Опубликована
24 мар 2026

nanochat-d24

Генерация текстаТекст → текст3 профессии

Англоязычная диалоговая модель NanoChat для генерации ответов и базовых рассуждений, дообученная на инструкциях и задачах GSM8K.

40скачиваний за 30 дней5лайковвеса обновлены8 июл 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

Nekochu/nanochat-d24 — англоязычная разговорная модель для генерации текста, созданная на основе nanochat Дэна Карпати и адаптированная для обучения и запуска на одной RTX 5090. По README, модель прошла предварительное обучение, дообучение на инструкциях и дополнительное обучение с подкреплением GRPO на задачах GSM8K. Она построена как плотная причинная трансформерная модель NanoChatForCausalLM с 24 слоями, размером скрытого состояния 1536 и контекстом 2048 токенов; репозиторий содержит веса Safetensors. В метаданных указано 956,3 млн параметров, тогда как README заявляет 1,38 млрд параметров для обученной модели.

Модель предназначена для диалогов, ответов на вопросы, базовых рассуждений и решения математических задач. README приводит результаты на ARC, MMLU, GSM8K и других тестах; показатели показывают улучшение после SFT и RL, но остаются умеренными, поэтому качество сложных ответов может быть ограниченным. Поддерживается английский язык. Лицензия — MIT.

Сценарии применения

  • ведение диалогов на английском языке
  • ответы на вопросы общего характера
  • решение базовых математических задач
  • решение школьных задач по естественным наукам
  • эксперименты с запуском и обучением LLM на одной видеокарте

Ограничения

Контекст ограничен 2048 токенами. По приведённым в README результатам, качество на тестах ARC, MMLU и GSM8K остаётся умеренным; данные README и метаданных также расходятся в числе параметров.

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

Train an LLM from scratch of 1.38B param, Pretrain+SFT+RL (GRPO/GSM8K) on a single RTX 5090 (32GB). Ported from Karpathy's nanochat (6ed7d1d, Mar 9 2026) into a single ~2K line Python file.

Changelog

Evaluation Results

BenchmarkBase (step 24K)SFT (step 1942)RL (step 300)d20 SFT (official)d30 (official)
ARC-Easy23.9%52.6%52.9%38.8%~70%
ARC-Challenge25.0%42.5%41.9%28.1%-
MMLU23.6%35.3%35.6%31.5%~40%
GSM8K (pass@1)0.0%10.2%16.5%4.6%~20%
SpellingBee0.0%79.7%87.1%N/A-
ChatCORE*-0.6%32.7%35.5%8.8%-
val_bpb0.830---0.705

*ChatCORE without HumanEval (5/6 tasks). Official d20 SFT from Discussion #1. d30 approximate, community reports.

Architecture

24 layers, 1536 hidden dim, 12 MHA heads (head_dim=128), 32K BPE vocab, 2048 context. RoPE (theta=100k), QK-norm, unweighted RMSNorm, untied embeddings, ReLU² activation, logit softcap 15.0, value embeddings on alternating layers (~604M params at near-zero FLOPs), per-layer residual scalars, smear mechanism, backout mechanism, cuDNN SDPA full context.

Differences from official nanochat d24

FeatureOfficial (8xH100)This model (1xRTX5090)
Window patternSSSLL (full context)
VE gate channels3212
Smear/BackoutNot usedActive
AttentionFlash Attention 3cuDNN SDPA
FP8OptionalDefault (pretraining)
Pretraining dataNVIDIA ClimbMixfinepdfs_edu/dclm/fineweb_edu (8/100 shards)

Training

StageDataDurationStepsDetails
Pretrainsee above~3.8 days29,232FP8, MuonAdamW, grad ckpt, B=4x32
SFTSmolTalk 460K + MMLUx3 + SimpleSpelling 200K + SpellingBee 80K + GSM8Kx4~7.5h1,942BF16, bestfit packing, torch.compile
RLGSM8K (16 samples/question)~5h300BF16, cosine LR (T_max=400), KV-cache

Training Pipeline

Notes:

  • Single-GPU RL needs cosine LR decay to avoid policy collapse (linear LR diverges after step 400)
  • FP8 on SM120 needs a 1-line Triton inductor patch (getattr(binary.metadata, 'cluster_dims', (1, 1, 1)))
  • Entropy bonus (GTPO-style) made collapse worse, gradient noise is the real issue

Usage

from safetensors.torch import load_file
state_dict = load_file("model.safetensors")

Interactive chat (script):

set TRAIN_STAGE=rl
set NANOCHAT_FP8=0
python nanochat_gpt-1384M.py --chat

Root = RL (step 300, best pass@4). pt/ and sft/ folders have base and SFT checkpoints.

Chat Format

<|bos|><|user_start|>If a store sells 3 apples at $2 each and 5 oranges at $1 each, what is the total cost?<|user_end|><|assistant_start|>The cost of 3 apples is 3 * $2 = $<|python_start|>3*2<|python_end|><|output_start|>6<|output_end|>6.
The cost of 5 oranges is 5 * $1 = $<|python_start|>5*1<|python_end|><|output_start|>5<|output_end|>5.
The total cost is $6 + $5 = $<|python_start|>6+5<|python_end|><|output_start|>11<|output_end|>11.
#### 11<|assistant_end|>

Citation

@misc{nanochat,
  author = {Andrej Karpathy},
  title = {nanochat: The best ChatGPT that $100 can buy},
  year = {2025},
  publisher = {GitHub},
  url = {https://github.com/karpathy/nanochat}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
NanoChatForCausalLM
Ревизия весов
bd8126c

0 моделей