/ Модель

Характеристики

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

1pp-1b-raw-tokmatch-base

Генерация текстаТекст → текст3 профессии

Экспериментальная базовая Llama-модель примерно на 1 млрд параметров для генерации текста и исследования режимов предобучения на исходных документах.

197скачиваний 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

1pp-1b-raw-tokmatch-base — исследовательская базовая языковая модель из эксперимента One Persona Pretraining (1PP), связанного с EPFL DLAB. Это плотный декодер Llama с 906 млн параметров по метаданным (в карточке указано округлённое значение 0,98 млрд), обученный на исходных документах DCLM-edu. Ветка tokmatch продолжает обучение с шага 12 000 по сокращённому расписанию, чтобы сравнить условия предобучения при одинаковом количестве токенов с функцией потерь; начиная с этого шага использовалась новая выборка DCLM-edu того же распределения.

Модель предназначена для генерации продолжения текста и изучения влияния условий предобучения на языковые модели. Она принимает текст и выдаёт текст, использует токенизатор SmolLM2 с размером словаря 49 152 и контекстом 4 096 токенов. В README приведены потери на валидационных данных и проверка весов относительно контрольной модели Megatron. Английский указан как язык карточки. Модель не является универсальным чат-помощником; обучалась на исходных документах, а не на разговорном формате.

Лицензия — Apache-2.0. README описывает исследовательский артефакт и экспериментальную ветку, поэтому результаты следует трактовать в контексте сравнения режимов обучения, а не как гарантию качества прикладного помощника.

Сценарии применения

  • генерация продолжения англоязычного текста
  • оценка базовой языковой модели на текстовых корпусах
  • исследование влияния количества обучающих токенов на качество модели

Ограничения

Модель является базовым чекпойнтом, а не универсальным чат-помощником; её обучали на исходных документах, и в обучении она не видела системных сообщений. В README отмечена смена выборки документов после шага 12 000.

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-1b-raw-tokmatch-base

One Persona Pretraining (1PP) experiment model: 0.98B parameters, pretraining condition original documents.

Token-matched branch of 1pp-1b-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 1,536, FFN 6,144 (SwiGLU), attention heads / KV heads 12 / 4 (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
2.6682.6952.511

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]2.66692.66820.0014
raw_val50m segments [8]2.51242.51070.0017

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
0cb1403

0 моделей