/ Модель

Характеристики

Контекст
8 192 токена
Параметры
134 млн
Размер весов
269 МБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
SmolLM2-135M
Библиотека
mlx
Опубликована
22 сен 2026

SmolLM2-135M-chat-mlx-16bit

Генерация текстаТекст → текст3 профессии

16-битная конверсия SmolLM2-135M в MLX для локальной генерации текста и диалогов на устройствах Apple Silicon.

582скачиваний за 30 дней0лайковвеса обновлены22 сен 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

Это 16-битная конверсия чат-модели HuggingFaceTB/SmolLM2-135M в формат MLX, подготовленная SirSahOl для локального вывода на Apple Silicon. Модель использует плотную архитектуру LlamaForCausalLM, содержит 134,5 млн параметров и поддерживает контекст до 8 192 токенов.

Модель предназначена для генерации текста в диалоге и локального запуска на устройствах Apple Silicon. README приводит результаты тестирования скорости на Apple M1 и указывает ориентир по памяти около 410 МБ для активного использования; фактическая производительность зависит от устройства и настроек запуска.

Карточка описывает вариант как 16-битный без потери точности относительно исходных весов. Базовая модель ориентирована на английский язык. Репозиторий распространяется по лицензии Apache-2.0 и рассчитан на MLX-инференс на Apple Silicon.

Сценарии применения

  • локальный запуск небольшой чат-модели на Mac с Apple Silicon
  • генерация коротких текстовых ответов
  • тестирование и оценка компактной языковой модели
  • эксперименты с локальным MLX-инференсом

Ограничения

Модель компактная и может уступать более крупным моделям в сложных рассуждениях; README не приводит оценок качества именно этого варианта. Формат MLX предназначен для инференса на Apple Silicon.

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

SmolLM2-135M-mlx-16bit

16-bit MLX conversion of HuggingFaceTB/SmolLM2-135M optimized for Apple Silicon native GPU inference.

Converted by: SirSahOl
Source Model: HuggingFaceTB/SmolLM2-135M
Framework: MLX by Apple
Quantization: 16-bit (Average 16.00 (unquantized bfloat16) bits per weight)
Format: safetensors
License: apache-2.0


Model Details

  • Architecture: LlamaForCausalLM
  • Parameters: 135M
  • Context Length: 8,192 tokens
  • Format: MLX (Apple Silicon native GPU format)
  • Quantization: 16-bit (Average 16.00 (unquantized bfloat16) bits per weight)
  • Active VRAM Footprint: ~410 MB (Minimum recommended: 8 GB Unified Memory)

Quick Start

Installation

pip install mlx-lm

Usage

CLI

# Chat interactively
mlx_lm.chat --model SirSahOl/SmolLM2-135M-chat-mlx-16bit

# Generate text
mlx_lm.generate --model SirSahOl/SmolLM2-135M-chat-mlx-16bit --prompt "Write a short poem about artificial intelligence."

Python API (with Chat Template)

from mlx_lm import load, generate

model, tokenizer = load("SirSahOl/SmolLM2-135M-chat-mlx-16bit")

messages = [
    {"role": "user", "content": "Explain quantum superposition in simple terms."}
]
prompt = tokenizer.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)

response = generate(model, tokenizer, prompt=prompt, verbose=True)
print(response)

Performance Benchmarks

Measured Benchmarks (Apple M1)

Metric4-bit8-bit16-bit
Tokens/sec251.62200.75144.45
TTFT3.98 ms4.99 ms6.93 ms
Peak Memory150.3 MB84.3 MB235.2 MB

Benchmarked on Apple M1 with 8GB unified memory. Average over 5 runs with 256 max tokens.


Multi-Quantization Comparison

Evaluate your hardware budget and choose the optimal precision:

VariantDisk SizeVRAM FootprintTarget Apple Silicon HardwareKey Advantage
4-bit MLX~84 MB~124 MBM1 / M2 / M3 / M4 (8GB+ Unified Memory)Ultra-compact footprint, maximum generation speed; negligible memory pressure.
8-bit MLX~157 MB~202 MBM1 / M2 / M3 / M4 (8GB+ Unified Memory)Near-lossless precision with an extremely lightweight footprint.
16-bit MLX (This Repository)~290 MB~360 MBM1 / M2 / M3 / M4 (8GB+ Unified Memory)Full unquantized precision; zero perplexity penalty for reference evaluation.

Who Should Use This?

Your HardwareRecommended Quantization
M1/M2/M3/M4 (8GB – 16GB)4-bit — Best balance of speed, low memory, and multitasking capability
M1/M2/M3/M4 Pro/Max (18GB – 36GB)8-bit — Higher quality reasoning with comfortable memory headroom
M1/M2/M3/M4 Max/Ultra (36GB – 192GB)16-bit — Unquantized full precision, zero quality degradation

General guidance:

  • Use 4-bit if you want to run this model alongside IDEs, browsers, and background development tools.
  • Use 8-bit if you have 16GB+ unified memory and require superior reasoning and code accuracy.
  • Use 16-bit for research, benchmarking, evaluation, or high-end workstation deployments.

Other Quantization Variants

VariantLink
4-bitSirSahOl/SmolLM2-135M-chat-mlx-4bit
8-bitSirSahOl/SmolLM2-135M-chat-mlx-8bit
16-bitSirSahOl/SmolLM2-135M-chat-mlx-16bit

LM Studio & Local Inference Setup Guide

To prevent runaway loops and ensure correct conversational turn-taking, configure custom stop tokens in your local inference runtime:

  1. <|im_start|>
  2. <|im_end|>
  3. <|endoftext|>

Prompt Template Formatting

  • System Prefix: <|im_start|>system\n
  • System Suffix: <|im_end|>\n
  • User Prefix: <|im_start|>user\n
  • Assistant Suffix: <|im_end|>\n<|im_start|>assistant\n

Ollama Quickstart

FROM SirSahOl/SmolLM2-135M-chat-mlx-16bit
PARAMETER stop "<|im_start|>"
PARAMETER stop "<|im_end|>"
PARAMETER stop "<|endoftext|>"
PARAMETER temperature 0.7
ollama create smollm2-135m-chat-mlx-16bit -f Modelfile
ollama run smollm2-135m-chat-mlx-16bit

Conversion Details

PropertyValue
Source ModelHuggingFaceTB/SmolLM2-135M
Quantization16-bit
mlx-lm Version0.31.3
Conversion Time1.39s
Output Size260.0 MB
Date2026-09-22T02:37:52.205626+00:00

Reproduction

To reproduce this conversion:

pip install mlx-lm==0.31.3
python3 -m mlx_lm.convert --hf-path /Users/z4/.cache/huggingface/hub/models--HuggingFaceTB--SmolLM2-135M/snapshots/93efa2f097d58c2a74874c7e644dbc9b0cee75a2 --mlx-path output/SmolLM2-135M-mlx-16bit

Limitations & Known Issues

  • 4-bit group-wise quantization introduces minor precision loss compared to unquantized weights; for deep mathematical derivations or precision-critical reasoning, test the 8-bit or 16-bit variants.
  • High context sequences (>32K tokens) require sufficient unified memory headroom; ensure unified memory is not overcommitted.
  • This is a weight-only MLX conversion designed specifically for Apple Silicon GPUs (M1/M2/M3/M4 series).

License

This model conversion inherits the license of the source model: apache-2.0.

See the original model card for full license details.


Changelog

VersionDateChanges
v1.02026-09-22Initial conversion

Converted with MLX Foundry — a professional pipeline for converting models to Apple MLX format.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
LlamaForCausalLM
Ревизия весов
674f345

0 моделей