/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
120 млн
Лицензия
CC BY-NC 4.0
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
5 окт 2026

Cognita-Mini-167M

Генерация текстаТекст → текст

Компактная языковая модель, обученная с нуля для генерации текста на английском, ория и догри.

180скачиваний за 30 дней0лайковвеса обновлены5 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

Cognita-Mini-167M — компактная авторская языковая модель, созданная ProtonPrat. Это плотная авторегрессионная модель типа decoder-only на архитектуре Qwen3 с 120,4 млн параметров по метаданным (в README указано 167 469 952), 12 слоями, шириной 896 и grouped-query attention. Модель обучена с нуля на 2,42 млрд токенов английского, ория и догри; предварительно обученные веса не использовались, токенизатор создан для этого проекта. Контекст составляет 4096 токенов.

Модель предназначена для генерации текста и продолжения последовательностей на английском и индийских языках ория и догри. В README приведены результаты валидации: perplexity 24,6 на данных из источников обучения и 57,2% на PIQA. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Модель небольшая и может генерировать связный текст, однако склонна выдумывать факты и не проходила настройку безопасности. Догри представлена лишь 0,4% обучающих данных и является самым слабым языком. Оценка на данных из тех же источников, что и обучение, не показывает переносимость на новые области; смещения отдельно не оценивались.

Сценарии применения

  • генерация текста на английском языке
  • продолжение текста на ория
  • продолжение текста на догри
  • эксперименты с небольшой моделью Qwen3
  • оценка языковых моделей на PIQA

Ограничения

Модель склонна выдумывать факты и не проходила настройку безопасности. Догри — самый слабый язык модели; проверка на данных из тех же источников, что и обучение, не показывает переносимость на новые области.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Cognita-Mini-167M

A 167M-parameter decoder-only language model for English, Odia and Dogri, pre-trained from random initialisation on 2.42 billion tokens. The architecture follows the Qwen3 layout; no pre-trained weights were used, and the tokenizer was trained for this project.

Code, figures and the full write-up: https://github.com/ProtonPratt/Cognita-Mini-SLM

Parameters167,469,952
Layers × width12 × 896
Attention12 query heads, 4 key/value heads (grouped-query attention)
Context window4,096 tokens
Vocabulary32,000-piece SentencePiece BPE shared by Latin, Odia and Devanagari script
Training data2.42B tokens: English 66.2%, Odia 33.4%, Dogri 0.4%
Training2 epochs, 4.76B tokens processed, 8.6 h on 2× H100
Validationloss 3.203, perplexity 24.6 on 24M held-out tokens

Usage

from transformers import AutoModelForCausalLM, LlamaTokenizer

repo = "ProtonPrat/Cognita-Mini-167M"
tokenizer = LlamaTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo)

inputs = tokenizer("ଓଡ଼ିଶା ଭାରତର ଏକ ରାଜ୍ୟ ଯାହା", return_tensors="pt")
output = model.generate(**inputs, max_new_tokens=80, do_sample=True, temperature=0.7,
                        top_p=0.8, repetition_penalty=1.1, no_repeat_ngram_size=3)
print(tokenizer.decode(output[0], skip_special_tokens=True))

Requires transformers>=4.56,<5 and sentencepiece. Load the tokenizer with LlamaTokenizer.

This is a plain language model: it continues text. For question-style prompts, add the instruction adapter.

Training data

LanguageTokensSources
English1,602,942,297Wikipedia (2023-11 dump), FineWeb (CC-MAIN-2025-26)
Odia807,950,933AI4Bharat IndicCorp v2 and BPCC, eleven OdiaGenAI collections
Dogri10,030,800CIIL Dogri corpus, a Dogri Alpaca-style instruction set

Text was NFC-normalised, stripped of HTML, URLs and control characters, and filtered to lines of more than five words. Token streams were packed into 4,096-token sequences with no padding.

Training procedure

AdamW, peak learning rate 3e-4 with 1% warm-up and cosine decay, weight decay 0.1, bfloat16 autocast, 786,432 tokens per update (192 sequences), 6,052 updates. 1% of the packed sequences were held out for validation; the best checkpoint by validation loss is released.

Evaluation

MetricValue
Validation perplexity (in-distribution, 24M tokens)24.6
PIQA validation, two-way likelihood scoring (chance 50%)57.2%

Limitations

  • A small model trained on a small corpus: fluent, but it invents facts. No safety tuning.
  • Dogri is 0.4% of the training data and is the weakest of the three languages.
  • Validation text comes from the same sources as the training text, so perplexity does not measure transfer to new domains.
  • Not evaluated for bias. Web and news text carry the biases of their sources.

License

CC BY-NC 4.0. Research and non-commercial use.

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
72aadfd

0 моделей