/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
134 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
SmolLM-135M-Instruct
Опубликована
20 июн 2026

SmolGRPO-135M

Генерация текстаТекст → текст

Компактная англоязычная модель для создания кратких сводок примерно на 50 токенов с контролем длины.

0скачиваний за 30 дней0лайковвеса обновлены20 июн 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

SmolGRPO-135M — дообученная SsemuliJoseph модель на базе HuggingFaceTB/SmolLM-135M-Instruct. Она использует архитектуру Llama с плотной causal language model, содержит 134,5 млн параметров и принимает контекст до 2048 токенов. Модель обучена методом Group Relative Policy Optimization (GRPO) для создания кратких сводок длиной около 50 токенов.

Модель предназначена для суммаризации англоязычных текстов, когда важна заданная краткость. Она поддерживает генерацию текста и диалоговый формат; веса доступны в формате safetensors по лицензии Apache-2.0.

Обучение было направлено на контроль длины, а не на фактическую точность: сводки могут звучать убедительно, но содержать ошибки. Модель хуже справляется с запросами, требующими значительно более длинных ответов; обучающие данные были только на английском языке.

Сценарии применения

  • краткое изложение англоязычных статей
  • сжатие англоязычных документов до короткой сводки
  • подготовка кратких описаний длинных текстов

Ограничения

Модель обучалась управлять длиной, а не проверять фактическую точность, поэтому может выдавать ошибочные сводки. Целевая длина составляет около 50 токенов; длинные ответы поддерживаются хуже, а обучение проводилось только на английских данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SmolGRPO-135M

A fine-tuned version of HuggingFaceTB/SmolLM-135M-Instruct trained with Group Relative Policy Optimization (GRPO) to produce concise summaries (~50 tokens).

Training details

  • Algorithm: GRPO via trl 0.14.0
  • Base model: HuggingFaceTB/SmolLM-135M-Instruct
  • Fine-tuning method: LoRA (r=16, alpha=32, target: q/k/v/o_proj)
  • Dataset: mlabonne/smoltldr
  • Reward: Negative absolute deviation from 50-token target length
  • Num generations per prompt: 4
  • Training epochs: 1

Reward function

def reward_token_length(completions, target_length=50, **kwargs):
    return [-abs(target_length - len(tokenizer.encode(c, add_special_tokens=False)))
            for c in completions]

Limitations

  • Trained for length control, not factual accuracy. May produce fluent but incorrect summaries.
  • Target length is 50 tokens. Prompts requiring much longer responses are handled less well.
  • Training data is English-only.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Репозиторий содержит только адаптер (LoRA/PEFT) без базовой модели.

Класс архитектуры
LlamaForCausalLM
Ревизия весов
f16015d

0 моделей