/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
94,1 млн
Лицензия
cc-by-nc-2.0
Архитектура
deep · MoE
Библиотека
vllm
Опубликована
28 июл 2026

TR-MOE-306

Генерация текстаТекст → текст3 профессии

Небольшая предварительно обученная языковая модель с маршрутизацией токенов к остаточным экспертам для генерации текста и исследований архитектур MoE.

169скачиваний за 30 дней1лайквеса обновлены28 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

TR-MOE-306 — авторская базовая языковая модель с архитектурой DeepForCausalLM и механизмом token-identity routing, представленная в работе «Token Identity as a Routing Signal for Residual MLP Experts». Модель обучена с нуля на примерно 8 млрд токенов FineWeb-Edu и содержит 306,5 млн параметров. В каждом из 18 слоёв общий SwiGLU-блок обрабатывает токены, а идентификатор токена выбирает два из четырёх узких остаточных экспертов; эксперты преобразуют контекстное скрытое состояние. Архитектура также использует GQA, QK-Norm и RoPE.

Модель предназначена для генерации текста и исследования маршрутизации токенов в остаточные MLP-эксперты. Это предварительно обученная базовая модель, а не настроенный для следования инструкциям или выравнивания по безопасности чат-ассистент. Контекст обучения составляет 2048 токенов, токенизатор — 32 000 токенов; в карточке указана поддержка английского языка. В описанной нулевой оценке результаты на ARC-Easy, PIQA и HellaSwag близки к плотной модели сопоставимого размера, без подтверждённого превосходства по отдельным задачам.

Для инференса требуется среда Complexity-ML vLLM с поддержкой пользовательской архитектуры DeepForCausalLM: стандартные Transformers и upstream vLLM её пока не регистрируют. Модель выпущена по лицензии CC BY-NC 2.0, которая ограничивает коммерческое использование.

Сценарии применения

  • генерация продолжений английского текста
  • эксперименты с маршрутизацией токенов в MoE
  • сравнение разреженных и плотных языковых моделей
  • оценка базовых языковых моделей на задачах общего знания

Ограничения

Это небольшая базовая модель без настройки на инструкции и выравнивания по безопасности; возможны неточные, предвзятые, оскорбительные, повторяющиеся или небезопасные ответы, поэтому она не подходит для решений с высокими ставками. Инференс требует пользовательской реализации Complexity-ML vLLM, а опубликованное сравнение основано на одном seed и не устанавливает превосходство модели.

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

TR-MOE-306

TR-MOE-306 is the 306.5M-parameter token-identity residual model from Token Identity as a Routing Signal for Residual MLP Experts. Every token passes through a shared dense SwiGLU branch, while its token ID selects two of four narrow residual experts through a fixed, layer-specific lookup. The experts still transform the contextual hidden state.

It was trained from scratch on approximately 8B FineWeb-Edu tokens. This is a pretrained base model, not an instruction-tuned or safety-aligned assistant.

Architecture

  • 18 transformer layers
  • hidden size 1,024
  • 16 query heads and 4 key/value heads (GQA)
  • QK-Norm and RoPE
  • 2,048-token training context
  • 32,000-token tokenizer
  • shared SwiGLU width 3,840
  • 4 residual experts of width 64
  • fixed top-2 lookup with 0.5/0.5 route weights
  • learned scalar gates on shared and routed outputs
  • 306,486,564 trainable parameters

Token identity controls parameter selection only; it does not replace contextual computation.

Evaluation

Both models were evaluated zero-shot with EleutherAI LM Evaluation Harness 0.4.12, identical seeds, BF16 inference, no sample limit, and a maximum context of 2,048 tokens.

ModelARC-Easy acc_normPIQA acc_normHellaSwag acc_normWikiText-2 word PPL
Dense-30649.0763.4933.6735.79
TR-MOE-30648.6163.4934.0635.20

The multiple-choice differences are smaller than one reported standard error. These results support near-parity, not task-level superiority.

At the last common point on a fixed FineWeb-Edu training-split evaluation stream, the token-routed model reached NLL 2.9329 and the dense model reached 2.9482. That stream is not an independent held-out set, and each architecture was trained with one seed. The routed implementation was slower in the reported training setup.

Files and integrity

model.safetensors is the exact FP32 model export used for the reported downstream evaluation. It preserves each layer's saved routing table and learned shared/routed gates.

  • final training step: 7629
  • training checkpoint SHA-256: 361b73873ac0dda66552325cc31328666b9d4c7684d7041e5b37cd43c42712a2
  • exported model.safetensors SHA-256: 877e9bcc1622b313f0598025a44991b58fa8b646fc81ca5127b73594da92d643

The repository also contains the tokenizer, generation configuration, and export_manifest.json.

Runtime

The checkpoint uses the custom DeepForCausalLM format implemented by the Complexity-ML vLLM runtime. Stock Transformers and upstream vLLM do not currently register the deep architecture. Use that runtime for inference, or adapt its loader before loading these weights.

The tokenizer can be loaded independently:

from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("Pacific-i64/TR-MOE-306")

Limitations

This is a small research base model. It may generate inaccurate, biased, offensive, repetitive, or unsafe text. It should not be used for high-stakes decisions. The training corpus is web-derived and may contain errors, copyrighted material, personal information, and social biases.

Paper and reproducibility

The paper reports a matched single-seed observation. Multi-seed replication remains open.

License

The TR-MOE-306 model weights are released under Creative Commons Attribution–NonCommercial 2.0 (CC BY-NC 2.0). See LICENSE.

Как запустить

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

GPU в ailist

Универсальный рантайм · vllm

Нельзя запустить

Архитектура deep неизвестна transformers в образе рантайма.

Класс архитектуры
DeepForCausalLM
Ревизия весов
0d2584c

0 моделей