/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
524 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Библиотека
transformers
Опубликована
24 сен 2026

1pp-0.5b-raw-tokmatch-base

Генерация текстаТекст → текст3 профессии

Базовая модель семейства Llama с 523,8 млн параметров для экспериментов по генерации текста и изучению режимов предобучения.

184скачиваний за 30 дней0лайковвеса обновлены24 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

Экспериментальная базовая языковая модель 1pp-0.5b-raw-tokmatch-base разработана в рамках проекта One Persona Pretraining (1PP) группы EPFL DLAB. Это плотная авторегрессионная модель семейства Llama с 523,8 млн параметров, обученная на исходных документах DCLM-edu; ветвь продолжила обучение с шага 12 000 по сокращённому расписанию, чтобы сравнить условия обучения при одинаковом числе обучающих токенов. Модель принимает текст и генерирует продолжение; контекст — до 4 096 токенов, токенизатор основан на словаре SmolLM2. В карточке указан английский язык.

Это исследовательский артефакт для изучения влияния формата предобучения и числа токенов на языковое моделирование, а не универсальный чат-ассистент. В отличие от вариантов 1PP, обучавшихся на переписанных диалогах, эта ветвь предобучалась на исходном тексте документов и предназначена прежде всего для генерации обычного текста. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • генерация продолжения английского текста
  • сравнение качества моделей при равном числе обучающих токенов
  • исследование влияния исходных документов на языковое моделирование

Ограничения

Модель не предназначена для использования как универсальный ассистент; при обучении она не видела системных сообщений. Контекст ограничен 4 096 токенами.

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

1pp-0.5b-raw-tokmatch-base

One Persona Pretraining (1PP) experiment model: 0.58B parameters, pretraining condition original documents.

Token-matched branch of 1pp-0.5b-raw-base: the production run continued from its step-12,000 checkpoint under a shorter schedule (same seed, optimizer state and batch order, 10% linear decay) that ends at step 16,202, where the run has trained on 33.745B supervised tokens, the total of the assistant-turn-loss condition over its full 31,777 steps. It answers whether the user+assistant condition's advantage is a supervised-token-count effect: at equal supervised tokens this branch saw 55% of the documents and compute of the assistant-only run. The original document corpus was lost before this branch ran, so steps 12,000 onward use a fresh DCLM-edu sample of the same distribution, disjoint from the original 50M documents.

Part of a 3 × 3 study: three sizes (0.5B, 1B, 1.7B) × three pretraining conditions on the same 47.8M source documents in the same order (original documents; rewritten conversations with loss on assistant turns; rewritten conversations with loss on user and assistant turns). Every run saw the identical batch sequence, so the conditions differ only in the document text and the loss mask. Models are grouped in the 1pp collection.

Architecture

Llama-style decoder, 24 layers, hidden 1,152, FFN 4,608 (SwiGLU), attention heads / KV heads 9 / 3 (head dim 128), RMSNorm, RoPE base 10,000, untied embeddings, no biases, no QK-norm, sequence length 4,096. Tokenizer: SmolLM2 vocabulary (49,152) plus <|pad|>; <|endoftext|> is the end-of-document token.

Pretraining

Data: the original DCLM-edu documents (raw baseline); loss on all document tokens and on <|endoftext|>. One pass over 47.8M documents (66.2B tokens of original documents; 63.0B tokens as conversations), 31,777 steps at global batch 512 × 4,096 tokens, cross-document attention masking, best-fit packing with step-aligned document assignment. Optimizer: Muon (shape scaling, matrix LR 0.005) with Adam for embeddings and norms, warmup 2,000 steps, constant, linear decay over the last 10% to 1/100, weight decay 0.1, bf16.

Validation loss (per token, 2,433 held-out documents, final checkpoint):

assistant textuser textdocument text
2.9533.0472.583

Chat format

ChatML without a system turn (the models never saw one):

<|im_start|>user\n{message}<|im_end|>\n<|im_start|>assistant\n{reply}<|im_end|>\n

The bundled chat_template renders exactly this. Generation stops at <|im_end|> (id 2) or <|endoftext|> (id 0); both are listed in eos_token_id. This is a base model; the conversation conditions produce chat-formatted text, the raw baseline plain text.

Verification

The HF weights were checked against the Megatron checkpoint by recomputing validation losses with this model:

setHF lossMegatron referenceabs. diff
val50m segments [3]2.95402.95270.0013
raw_val50m segments [8]2.58422.58250.0017

Links

  • Training logs: wandb projects 1pp-training and 1pp-sft
  • Research artifact from the 1PP project (EPFL DLAB); not a general-purpose assistant.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
11cb37f

0 моделей