/ Модель

Характеристики

Контекст
262 144 токена
Параметры
8 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
11 сен 2026

oellm-9b-256k-theta64m-prelude-anneal300b-instruct-sft

Генерация текстаТекст → текст4 профессии

Экспериментальная 8-миллиардная модель Qwen3 с инструктивным дообучением и контекстом до 262 144 токенов для диалоговой генерации текста.

66скачиваний за 30 дней0лайковвеса обновлены11 сен 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

OELLM 9B — экспериментальный полно-параметрический вариант с инструктивным дообучением, созданный Neonkraft на основе birgermoell/oellm-9b-256k-theta64m-prelude-anneal300b. Модель использует плотную архитектуру Qwen3, содержит 8 млрд параметров и рассчитана на генерацию текста и диалоговые сценарии. Нативное окно контекста — 262 144 токена, хотя при дообучении использовались последовательности длиной до 32 768 токенов.

Дообучение выполнено в течение двух эпох на 2 152 112 диалогах из allenai/Dolci-Instruct-SFT; большая часть данных на английском языке. Модель использует формат диалога ChatML и токенизатор OpenEuroLLM на 256 тысяч токенов. Это только этап SFT: предпочтительная настройка и обучение с подкреплением не проводились, а блок рассуждений обычно пустой, поэтому модель не позиционируется как модель рассуждений.

Модель подходит для экспериментов с инструктивными диалогами и генерацией текста на длинном контексте. Качество и устойчивость могут быть ограничены экспериментальным статусом и отсутствием последующей настройки предпочтений. Лицензия модели — Apache-2.0; карточка набора данных указывает ODC-BY и исследовательское и образовательное назначение в соответствии с рекомендациями Ai2 по ответственному использованию.

Сценарии применения

  • ответы на инструкции в формате диалога
  • генерация текста на английском языке
  • эксперименты с диалогами на длинном контексте

Ограничения

Это экспериментальный SFT-чекпойнт без настройки предпочтений и обучения с подкреплением; модель не предназначена для рассуждений. При дообучении использовались последовательности длиной до 32 768 токенов, несмотря на нативное окно контекста 262 144 токена.

Для каких профессий подходит4

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

OELLM 9B — 256K context — SFT

This model is a full-parameter supervised fine-tune (SFT) of birgermoell/oellm-9b-256k-theta64m-prelude-anneal300b on allenai/Dolci-Instruct-SFT, the instruction mixture that Ai2 used for Olmo 3 7B Instruct SFT. It was trained for 2 epochs with sequences of up to 32,768 tokens.

This is an experimental research checkpoint. It has had SFT only, with no preference tuning and no reinforcement learning.

Chat format

The model uses the ChatML-style turn format of Qwen3. The tokenizer is the OpenEuroLLM 256K tokenizer from its qwen3-tokens branch. That branch gives Qwen3 names to eight token IDs that the base tokenizer had reserved:

TokenIDName in the base tokenizer
<|im_start|>3<start_of_turn>
<|im_end|>4<end_of_turn>
<tools> / </tools>13 / 14<unused_0> / <unused_1>
<tool_response> / </tool_response>15 / 16<unused_2> / <unused_3>
</think> / <think>17 / 18<unused_4> / <unused_5>

Unchanged special tokens: <bos> = 1, <eos> = 2, <tool_call> / </tool_call> = 11 / 12, <pad> = 262,144. All other token IDs are identical to the base tokenizer. On a sample of 3.9M tokens of Dolci text, both tokenizers produced identical token IDs.

A rendered conversation looks like this:

<|im_start|>system
You are a helpful assistant.<|im_end|>
<|im_start|>user
What is the capital of Finland?<|im_end|>
<|im_start|>assistant
<think>

</think>

The capital of Finland is Helsinki.<|im_end|>
  • Each assistant turn ends with <|im_end|>. This is the token that SFT taught the model to emit. The pretraining terminator <eos> does not occur in the SFT data. Use <|im_end|> as the stop token.
  • The model emits an empty <think> block. The template put a <think>\n…\n</think>\n\n block at the start of the final assistant turn of every conversation. Dolci Instruct has almost no reasoning traces (385 of 2,152,112 conversations have </think> in an assistant message), so the block was nearly always empty. This is not a reasoning model.

Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = "Neonkraft/oellm-9b-256k-theta64m-prelude-anneal300b-instruct-sft"
tokenizer = AutoTokenizer.from_pretrained(repo_id)
model = AutoModelForCausalLM.from_pretrained(repo_id, dtype=torch.bfloat16, device_map="auto")

messages = [{"role": "user", "content": "Explain in two sentences why the sky is blue."}]
inputs = tokenizer.apply_chat_template(
    messages,
    add_generation_prompt=True,
    enable_thinking=False,  # puts the empty <think> block in the prompt, as in training
    return_dict=True,
    return_tensors="pt",
).to(model.device)

output = model.generate(**inputs, max_new_tokens=512)
print(tokenizer.decode(output[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True))

generation_config.json lists <|im_end|> (4) and <eos> (2) as stop tokens, so generate() stops at the end of the assistant turn.

Training data

The model was trained on all 2,152,112 conversations of the train split of allenai/Dolci-Instruct-SFT (revision main). Most of the data is English. The dataset card lists the sources and their licenses. The dataset is licensed under ODC-BY and is intended for research and educational use under Ai2's Responsible Use Guidelines.

Before training, the pipeline removed each conversation that had no supervised assistant token in its first 32,768 tokens. It kept conversations where the 32,768-token limit cut a supervised span.

Training procedure

Full-parameter SFT with TRL SFTTrainer.

Loss masking. The loss covers only the assistant tokens that come after the last user message in each conversation, including their closing <|im_end|>. System, user, and tool tokens, and all assistant turns before the last user message, are context only. In a multi-turn conversation, only the final assistant reply (or the chain of assistant turns after the last user message) is trained.

Packing. Conversations were packed with TRL's best-fit-decreasing (BFD) strategy into sequences of up to 32,768 tokens, one packed sequence per device per step. If a conversation was longer than 32,768 tokens, only its first 32,768 tokens were used.

HyperparameterValue
Epochs2
Maximum sequence length32,768
Global batch32 packed sequences (1 per device × 32 devices × 1 accumulation step), up to 1,048,576 tokens per step
OptimizerAdamW (DeepSpeed), β₁ = 0.9, β₂ = 0.95, ε = 1e-8
Weight decay0.0
Peak learning rate8e-5
ScheduleLinear warmup for 3% of steps, then linear decay to 0
Gradient clipping1.0
PrecisionBF16
ParallelismDeepSpeed ZeRO stage 2
Memory and speedGradient checkpointing (non-reentrant), Liger kernels, FlashAttention-2, torch.compile (Inductor)
Seed42
Optimizer steps2,774
Training tokens~2.8B

Compute

ItemValue
ClusterLUMI (CSC, Finland)
Accelerators4 nodes × 8 AMD MI250X GCDs = 32 GCDs
SoftwareROCm 7.2.4, Python 3.12, PyTorch 2.9.1, TRL 1.7.0 (Singularity container)
Wall-clock time31 hours (about 990 GCD-hours)

Reproducibility

ItemValue
Run nameoellm-9b-256k-theta64m-prelude-anneal300b-sft
Base modelbirgermoell/oellm-9b-256k-theta64m-prelude-anneal300b @ b61957c3e22e6145ee7973f415c45047a0f9a108
Tokenizeropeneurollm/tokenizer-256k @ 94bae05cf351c4feb435d6a73c2aa8edfd88ae04 (branch qwen3-tokens)
Datasetallenai/Dolci-Instruct-SFT, split train @ main
Training codeOpenEuroLLM/post-training @ b81119e32a368cfe77f33753731ed7672918581e, chat template qwen3

Citation

The SFT data comes from the Olmo 3 release:

@misc{olmo2025olmo3,
  title={Olmo 3},
  author={Team Olmo},
  year={2025},
  eprint={2512.13961},
  archivePrefix={arXiv},
  primaryClass={cs.CL},
  url={https://arxiv.org/abs/2512.13961},
}

Acknowledgements

Training ran on the LUMI supercomputer, hosted by CSC in Finland.

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
85bf18f

0 моделей