/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
19,8 млн
Размер весов
522 МБ
Лицензия
MIT
Архитектура
deepseek_v3 · dense
Библиотека
transformers
Опубликована
11 авг 2026

arXiv-WVY-43M

Генерация текстаТекст → текст3 профессии

Компактная базовая языковая модель Starpower Technology для экспериментов и генерации научного текста на основе корпуса arXiv.

121скачиваний за 30 дней5лайковвеса обновлены6 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

arXiv-WVY-43M — экспериментальная базовая языковая модель от Starpower Technology, обученная с нуля на заголовках и аннотациях статей arXiv. Она предназначена для экспериментов с компактными языковыми моделями, предварительным обучением и генерацией научного текста. В README указано 43,5 млн параметров, тогда как метаданные Hugging Face указывают 19,8 млн; архитектура описана как компактная DeepSeek-V3-style с причинным языковым моделированием, MoE-слоями, восемью маршрутизируемыми экспертами с Top-2 routing и одним общим экспертом. Контекст по метаданным — 4096 токенов; веса представлены в формате PyTorch.

Обучение велось примерно на 726 млн токенов научных текстов, что даёт модели опыт работы с академической и технической лексикой, включая тематику физики и технологий. Это базовая модель без настройки для диалогов или следования инструкциям; формальных результатов бенчмарков в карточке нет. Лицензия — MIT.

Сценарии применения

  • генерация продолжений заголовков и аннотаций научных статей
  • эксперименты с предварительным обучением компактных языковых моделей
  • исследование архитектур Mixture-of-Experts на малом числе параметров
  • дообучение модели на специализированных научных текстах
  • учебные эксперименты с обучением языковой модели с нуля

Ограничения

Модель мала по размеру и является экспериментальным чекпойнтом; формальные результаты бенчмарков не приведены. Она не настроена для инструкций и диалогов, поэтому не предназначена для использования как готовый ассистент.

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

arXiv-WVY-43M

arXiv-WVY-43M is a 43.5M parameter tiny language model developed by Starpower Technology intended for autonomous research. This is the prototype experiment. We are still creating finetuning dataset

Kaggle [https://www.kaggle.com/code/starpowertechnology/arxiv-wvy-43m-demo]

The model uses a compact DeepSeek-V3-style architecture and was trained from scratch on arXiv titles and abstracts.

This is a base language model, not an instruction-tuned or chat-tuned model.

Model Details

PropertyValue
Parameters43,489,608
Vocabulary24,000
Hidden size384
Transformer layers6
MTP layers1
Attention heads6
MLP intermediate size1,024
Routed experts8
Experts selected per token2
Shared experts1
Q LoRA rank128
KV LoRA rank96
QK RoPE head dim16
QK non-RoPE head dim48
Value head dim64
RoPE theta10,000
YaRN factor4.0
Original max position1,024

Architecture

WVY-43M uses a compact DeepSeek-V3-style causal language model architecture containing:

  • Multi-head latent attention
  • Mixture-of-Experts layers
  • 8 routed experts with Top-2 routing
  • 1 shared expert
  • Q/KV low-rank projections
  • Rotary positional embeddings
  • YaRN RoPE scaling
  • Multi-Token Prediction layer

The architecture is intentionally kept small for research into compact language models, training from scratch, experimentation, and low-compute deployment.

Training

The model was pretrained from random initialization.

Training corpus: arXiv paper titles and abstracts

Observed training tokens: approximately 726 million

Checkpoint: step 5,600

The training corpus gives the model significant exposure to scientific and technical language, particularly terminology appearing in academic research.

Using the Model on Kaggle

Enable Internet access for the Kaggle notebook so the model can be downloaded from Hugging Face.

1. Install dependencies

!pip install -q -U transformers huggingface_hub tokenizers accelerate

2. Download and load WVY-43M

import os
import torch

from huggingface_hub import hf_hub_download
from transformers import (
    AutoConfig,
    AutoModelForCausalLM,
    PreTrainedTokenizerFast,
)

REPO_ID = "StarpowerTechnology/arXiv-WVY-43M"

# ---------------------------------------------------------
# Download tokenizer and weights
# ---------------------------------------------------------

tokenizer_path = hf_hub_download(
    repo_id=REPO_ID,
    filename="tokenizer.json"
)

weights_path = hf_hub_download(
    repo_id=REPO_ID,
    filename="model.pt"
)

# ---------------------------------------------------------
# Tokenizer
# ---------------------------------------------------------

tokenizer = PreTrainedTokenizerFast(
    tokenizer_file=tokenizer_path
)

# ---------------------------------------------------------
# Load the custom DeepSeek-V3 configuration from Hugging Face
# ---------------------------------------------------------

config = AutoConfig.from_pretrained(
    REPO_ID,
    trust_remote_code=True
)

# Build the model architecture without looking for
# pytorch_model.bin / safetensors because WVY uses model.pt.
model = AutoModelForCausalLM.from_config(
    config,
    trust_remote_code=True
)

# ---------------------------------------------------------
# Load WVY-43M weights
# ---------------------------------------------------------

checkpoint = torch.load(
    weights_path,
    map_location="cpu",
    weights_only=False
)

# Support common checkpoint formats.
if isinstance(checkpoint, dict):
    for key in ["state_dict", "model_state_dict", "model"]:
        if key in checkpoint and isinstance(checkpoint[key], dict):
            checkpoint = checkpoint[key]
            break

# Remove DataParallel prefix if present.
if (
    isinstance(checkpoint, dict)
    and len(checkpoint) > 0
    and all(k.startswith("module.") for k in checkpoint)
):
    checkpoint = {
        k[len("module."):]: v
        for k, v in checkpoint.items()
    }

model.load_state_dict(checkpoint, strict=True)

# ---------------------------------------------------------
# Device
# ---------------------------------------------------------

device = torch.device(
    "cuda" if torch.cuda.is_available() else "cpu"
)

model = model.to(device)
model.eval()

print("Model:", REPO_ID)
print("Device:", device)

params = sum(p.numel() for p in model.parameters())

print(f"Parameters: {params:,}")

Generate Text

Because arXiv-WVY-43M is a base causal language model, prompts can be passed directly as text.

prompt = "Quantum entanglement is"

inputs = tokenizer(
    prompt,
    return_tensors="pt",
    add_special_tokens=False
)

input_ids = inputs["input_ids"]

# WVY-43M configuration:
# BOS = 0
# EOS = 1

bos_id = config.bos_token_id

bos = torch.full(
    (input_ids.shape[0], 1),
    bos_id,
    dtype=torch.long
)

input_ids = torch.cat(
    [bos, input_ids],
    dim=1
).to(device)

attention_mask = torch.ones_like(input_ids)

with torch.no_grad():
    output = model.generate(
        input_ids=input_ids,
        attention_mask=attention_mask,
        max_new_tokens=150,
        do_sample=True,
        temperature=0.7,
        top_p=0.9,
        eos_token_id=config.eos_token_id,
        pad_token_id=config.eos_token_id,
    )

generated_tokens = output[
    0,
    input_ids.shape[1]:
]

text = tokenizer.decode(
    generated_tokens,
    skip_special_tokens=True
)

print(text)

Simple Generation Function

def generate(
    prompt,
    max_new_tokens=150,
    temperature=0.7,
    top_p=0.9
):
    encoded = tokenizer(
        prompt,
        return_tensors="pt",
        add_special_tokens=False
    )

    input_ids = encoded["input_ids"]

    bos = torch.full(
        (input_ids.shape[0], 1),
        config.bos_token_id,
        dtype=torch.long
    )

    input_ids = torch.cat(
        [bos, input_ids],
        dim=1
    ).to(device)

    attention_mask = torch.ones_like(input_ids)

    with torch.no_grad():
        output = model.generate(
            input_ids=input_ids,
            attention_mask=attention_mask,
            max_new_tokens=max_new_tokens,
            do_sample=True,
            temperature=temperature,
            top_p=top_p,
            eos_token_id=config.eos_token_id,
            pad_token_id=config.eos_token_id,
        )

    generated = output[
        0,
        input_ids.shape[1]:
    ]

    return tokenizer.decode(
        generated,
        skip_special_tokens=True
    )


print(
    generate(
        "The relationship between gravity and spacetime is"
    )
)

Intended Use

arXiv-WVY-43M is intended for research involving:

  • Small language models
  • Language-model pretraining
  • Scientific text generation
  • Physics and technology language modeling
  • Mixture-of-Experts architectures
  • Low-parameter language-model experimentation
  • Fine-tuning and continued pretraining
  • Educational experiments with models trained from scratch

Limitations

WVY-43M contains approximately 43.5 million parameters and should be evaluated as a small experimental language model rather than as a replacement for modern large language models.

The released checkpoint is a base pretrained model and has not been instruction-tuned for assistant-style conversations.

No formal benchmark results are currently included in this model card.

License

MIT

Developer

Starpower Technology

Hugging Face organization: StarpowerTechnology

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Ревизия весов
c7b6d1b

0 моделей