/ Модель

Характеристики

Контекст
2 048 токенов
Лицензия
Apache 2.0
Архитектура
slim_moe · MoE
Базовая модель
SlimMoE-250M-SFT-v2
Библиотека
transformers
Опубликована
18 дек 2025

SlimMoE-250M-instruct

Генерация текстаТекст → текст3 профессии

Небольшая англоязычная инструктивная MoE-модель на 250 млн параметров для генерации ответов и экспериментов с архитектурами внимания.

138скачиваний за 30 дней0лайковвеса обновлены31 дек 2025

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

SlimMoE-250M-instruct — дообученная инструктивная модель SlimFactoryHub на архитектуре SlimMoEForCausalLM с MoE и четырьмя экспертами, содержащая 250 млн параметров. Она предназначена для генерации ответов на инструкции и диалога, а также для экспериментов с небольшими MoE-моделями, VGQA-подобным механизмом внимания и позиционными стратегиями NoPE и RoPE. В README описаны последовательные этапы обучения на образовательных текстах, диалогах и данных для проверки знаний и рассуждений; библиотека загрузки — Transformers, формат весов — safetensors.

Модель ориентирована на английский язык и исследовательскую оценку при ограниченных вычислительных ресурсах. Карточка характеризует её как стабильную для своего масштаба, но не приводит числовых результатов бенчмарков или длины контекста. Лицензия — Apache-2.0. Модель подходит для изучения поведения малых MoE и прототипирования инструктивной генерации, но её возможности ограничивают размер, недостаточное разнообразие данных, колебания loss и отсутствие RLHF.

Сценарии применения

  • генерация ответов на инструкции на английском языке
  • создание простого диалогового прототипа
  • изучение маршрутизации экспертов в малой MoE-модели
  • сравнение позиционных стратегий NoPE и RoPE
  • исследовательская оценка VGQA-подобного внимания

Ограничения

Карточка отмечает ограниченное разнообразие и масштаб обучающих данных, колебания loss и отсутствие RLHF; распределение данных ориентировано на английский язык. Бенчмарки и длина контекста в предоставленных источниках не приведены.

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

SlimMoE-250M-SFT-instruct

SlimMoE-250M-instruct is the final refined instruction-tuned version of the model.This stage emphasizes response quality, instruction clarity, consistency, and conversational coherence, building on the instruction-following and reasoning capabilities developed in earlier phases. The objective of this phase is to produce a stable and well-aligned small MoE instruction model, suitable for research and experimental evaluation under limited data and compute constraints.

Motivation

This work explores the following research question:

Can a small (<500M) MoE model effectively support different attention mechanisms and alternative positional encodings under constrained compute?

SlimMoE-250M was designed to study:

  • MoE routing behavior at small scales
  • VGQA-style attention mechanisms
  • NoPE / RoPE compatibility in MoE architectures
  • Quality vs. efficiency trade-offs under limited data and GPU availability

Model Summary

PropertyValue
Parameters250M
ArchitectureSlimMoEForCausalLM
Experts4
Layers16
Hidden Size768
FFN Size1536
Attention Heads12
Max Context Length2048
RoutingAdaptive MoE Routing
Dropout0.1
Precisionfloat32
Vocabulary Size50,257

Training Details

Pretraining

This phase focused on general language modeling using high-quality educational data.

Fine-Tuning Phase-1 (SFT – Instruction Tuning)

This stage introduces instruction supervision and conversational alignment.

Fine-Tuning Phase-2 (SFT – Knowledge & Reasoning)

Used to improve domain knowledge and reasoning performance.

Fine-Tuning Phase-3 (SFT – Instruction Refinement)

Focused on response quality, instruction clarity, and consistency.

VGQA & Positional Encoding Experiments

  • The model was trained using a VGQA-style attention mechanism.
  • Experiments were conducted with NoPE / RoPE positional strategies within a small MoE architecture.
  • The objective was to evaluate training stability and output quality, not to optimize benchmark performance.

Given the dataset scale, GPU availability, and training time, the observed performance is reasonable and stable for this model size.

Known Issues & Constraints

  • Dataset limitations: Limited diversity and scale compared to large foundation models
  • GPU constraints: Training conducted under restricted GPU availability and memory budgets
  • Loss fluctuations
  • No RLHF applied
  • English-centric data distribution

These factors directly influenced training duration and final model behavior.

Intended Use

  • Studying small-scale MoE architectures
  • Exploring VGQA-style attention mechanisms
  • Evaluating NoPE / RoPE behavior in MoE models
  • Educational and exploratory research

Acknowledgements

We would like to thank the dataset providers and the open-source community whose contributions made this work possible.

  • Hugging Face for providing the hosting infrastructure, model hub, datasets library, and tools that enabled training, evaluation, and open sharing of this model.
  • HuggingFaceFW for the FineWeb-Edu dataset used during pretraining.
  • HuggingFaceH4 for the UltraChat 200K dataset used in supervised fine-tuning.
  • CAIS for the MMLU dataset used for auxiliary knowledge and reasoning supervision.
  • HuggingFaceTB for the OpenHermes-2.5-H4 dataset used in the final instruction refinement phase.
  • Weights & Biases (W&B) for logging and visualization tools used to monitor training progress.
  • Additionally, we drew valuable insights from The Smol Training Playbook: The Secrets to Building World-Class LLMs, published by Hugging Face, which informed several practical decisions in our training and experimentation workflow.
    Playbook link: https://huggingfacetb-smol-training-playbook.hf.space/the-smol-training-playbook-the-secrets-to-building-world-class-llms.pdf

We also acknowledge the broader open-source research community for their continuous efforts in advancing efficient model architectures and training methodologies.

Contact

Please use the Hugging Face Discussions tab to connect.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
SlimMoEForCausalLM
Ревизия весов
a876969

0 моделей