/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
6,9 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5_moe · dense
Библиотека
transformers
Опубликована
13 окт 2026

Lewi-Surge-Preview-3B-Base

Генерация текстаТекст → текст

Базовая MoE-модель, обученная с нуля для генерации и автодополнения кода, особенно коротких функций Python.

370скачиваний за 30 дней2лайкавеса обновлены13 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

Lewi Surge Preview 3B Base — открытая базовая языковая модель, созданная с нуля одним разработчиком из Украины. Это модель семейства Qwen3.5 MoE для генерации и продолжения текста, прежде всего кода; она не проходила инструкционную настройку и предназначена для автодополнения, few-shot prompting и дальнейшего дообучения. Для диалогового сценария автор предлагает отдельный чат-чекпойнт.

Модель содержит около 3,45 млрд параметров, из которых активно используется около 0,5 млрд на токен. Архитектура включает 16 слоёв с чередованием Gated DeltaNet и полного внимания; в каждом слое используются эксперты MoE. Обучение с нуля и последующая кодовая предобучающая стадия охватывали программный код, инструкции, учебные материалы, математику и веб-тексты на нескольких европейских языках. В README приведены результаты HumanEval и MBPP, но автор отмечает слабые знания фактов и заметно лучшие результаты на коротких функциях Python, чем на других языках и длинных программах.

Модель распространяется по лицензии Apache-2.0. Для запуска требуется Transformers версии 5.0 или новее и поддержка архитектуры Qwen3_5MoeForCausalLM. Модель не настроена на безопасность; автор не рекомендует применять её там, где ошибки имеют серьёзные последствия.

Сценарии применения

  • автодополнение кода в редакторе
  • генерация коротких функций на Python
  • заполнение пропусков в коде методом FIM
  • few-shot генерация кода по примерам
  • дообучение собственной кодовой модели

Ограничения

Модель имеет слабые фактические знания и может уверенно сообщать неверные сведения; лучше справляется с короткими функциями Python, чем с другими языками и длинными программами. Она не настроена на безопасность, поэтому не подходит для сценариев, где ошибки имеют серьёзные последствия.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Lewi Surge Preview 3B (Base)

An open mixture-of-experts language model for programming, trained from scratch by one person in Ukraine on free and donated compute.

This is the base model after code-focused pretraining and annealing. It is not instruction-tuned: use it for completion, few-shot prompting, or as a starting point for your own fine-tuning. For a chat checkpoint, see Lewi-Surge-Preview-3B-Chat-Early.

💛 This model is built without funding. The bottleneck is GPU time: about $3 buys one hour on an NVIDIA GH200. If you find Lewi useful or just want to see where it goes, you can support the next training stages on Ko-fi. Just $50 would unlock ~120 hours on a GH200: the provider gives us access once we make a $50 deposit, and our free credits cover the rest.

Model

Parameters~3.45B total, ~0.5B active per token
Layers16 = 4 × (3 Gated DeltaNet linear attention + 1 full attention)
Experts128 per layer, top-6 routed + 1 shared, expert size 512
Hidden size1024, 8 query / 2 KV heads
Vocabulary131,072 BPE + special tokens (Qwen3.6 vocabulary, pruned)
Context in training4,096 tokens (128k long-context stage is in progress)
Precisionbfloat16

Only 4 of 16 layers keep a KV cache (2 KV heads each), about 4 KB per token.

How it was trained

  1. Stage 1: a 1.4B model (12 layers, 64 experts) trained from scratch on ~3.2B tokens of FineWeb-Edu.
  2. Growth: grown to 3.45B without restarting: experts split 64 → 128, plus one more block of 4 layers.
  3. Code-first pretraining: ~1.6B tokens of curated code (with FIM), instructions, textbooks, math, and Ukrainian/Spanish/Portuguese/French/German web text.
  4. Annealing (this checkpoint): ~1.4B tokens, more than half conversations, learning rate decayed to zero.

JAX + MaxText, Muon optimizer. Hardware: rented/free H100/H200 sessions. Code: github.com/prostos2162-maker/lewi-surge.

Results

Before → after code-focused annealing (greedy decoding, standard prompts, local runs):

BenchmarkMetricBeforeAfter (this model)
HumanEvalpass@118.9%25.0%
MBPP (sanitized)pass@123.7%29.6%
HellaSwagacc_norm41.9%43.4%
ARC-Challengeacc_norm26.5%27.4%

Knowledge-heavy benchmarks barely move at this size and token count.

Against small open base models

Same script for every model: base checkpoints, 0-shot, greedy; HumanEval uses the better of two standard prompt formats per model. Lewi is a work in progress; the others are final releases.

ModelTraining tokensHumanEvalMBPPARC-CHellaSwag
Qwen2.5-0.5B (Alibaba)18T29.937.732.349.5
Qwen2.5-Coder-0.5B (Alibaba)23.5T27.448.230.247.3
Lewi Surge Preview (this model)7.3B25.029.627.443.4
SmolLM2-1.7B (Hugging Face)11T23.244.047.961.3
Granite 3.0 1B-A400M (IBM)10T22.636.238.259.3
Pythia-1.4B (EleutherAI)300B5.57.028.649.3

HumanEval vs. training data

On code, Lewi lands between models trained on 1,400 to 3,200 times more data. On knowledge-heavy tasks it is behind, which is what more data fixes.

Usage

Requires transformers >= 5.0 (architecture Qwen3_5MoeForCausalLM).

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "PoliteChainsaw/Lewi-Surge-Preview-3B-Base"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, dtype=torch.bfloat16, device_map="auto")

prompt = 'def is_prime(n: int) -> bool:\n    """Return True if n is a prime number."""\n'
ids = tok(prompt, return_tensors="pt").to(model.device)
out = model.generate(**ids, max_new_tokens=128, do_sample=False)
print(tok.decode(out[0], skip_special_tokens=True))

Runs on a single consumer GPU (~7 GB in bf16).

Limitations

  • A small model trained on well under 10B tokens in total: factual knowledge is weak and it can state wrong things confidently.
  • Best at short Python functions; other languages and long programs are much weaker.
  • Not safety-tuned. Do not use it for anything where mistakes matter.

Links

Project page · Code · Support on Ko-fi

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5MoeForCausalLM
Ревизия весов
daeb84d

0 моделей