/ Модель

Характеристики

Контекст
1 024 токена
Параметры
798 720
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Опубликована
2 авг 2026

Supra2-Nano

Генерация текстаТекст → текст3 профессии

Экспериментальная базовая модель SupraLabs на архитектуре Qwen3 для изучения масштабирования сверхмалых языковых моделей и проверки конвейеров обучения.

1 358скачиваний за 30 дней23лайкавеса обновлены14 авг 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

Supra2-Nano — базовая языковая модель SupraLabs, обученная с нуля на архитектуре Qwen3. Она содержит около 798,7 тыс. параметров и обучалась на 1 млрд токенов: преимущественно на FineWeb-Edu с небольшой долей Cosmopedia-v2. Используются уменьшенные скрытая размерность, число голов внимания и число слоёв, grouped-query attention, RMSNorm и словарь токенизатора на 4 096 токенов. Модель принимает текст и генерирует продолжение текста; контекст составляет 1 024 токена. В карточке заявлен английский язык.

Модель предназначена для экспериментов с масштабированием языковых моделей при очень малом числе параметров, абляций архитектуры и проверки конвейера обучения. Она обучена предсказывать следующий токен, не проходила дообучение на инструкциях и не предназначена для надёжной генерации: ответы часто бывают повторяющимися, неграмотными или несвязными. Малый словарь хуже представляет редкие слова и текст на других языках. Лицензия — Apache-2.0.

Сценарии применения

  • исследование масштабирования языковых моделей с числом параметров менее миллиона
  • абляции архитектуры трансформеров для генерации текста
  • проверка конвейера обучения малых языковых моделей
  • сравнение результатов обучения на образовательных и синтетических текстовых данных

Ограничения

Из-за размера 798,7 тыс. параметров модель часто генерирует повторяющийся, неграмотный или несвязный текст и не подходит для надёжного применения. Она не настроена на инструкции, а малый словарь затрудняет обработку редких слов и текстов на неанглийских языках.

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

dB-CVsI_GN-xBZ9m2J_ET

Supra2-Nano is an 800K-parameter language model trained from scratch on 1B tokens using the Qwen3 architecture. It is part of the Supra2 family, a set of small language models trained on consumer-grade hardware to study scaling behavior at extremely low parameter counts.

Model summary

ArchitectureQwen3
Parameters~800K
Training tokens1B
Training steps7,000
Precisionbfloat16
HardwareKaggle 2x T4
LicenseApache 2.0

The model was trained with a data mix dominated by FineWeb-Edu, supplemented with a small proportion of Cosmopedia-v2 for synthetic instructional-style text.

Architecture

Supra2-Nano uses the Qwen3 architecture at a heavily downscaled size: reduced hidden dimension, few attention heads, and a small number of transformer layers, all fit to an 800K parameter budget. Grouped-query attention and RMSNorm are used as in the original Qwen3 design. The tokenizer vocabulary is kept small (4,096 tokens) to avoid the embedding and output projection layers dominating the parameter count at this scale, a common failure mode when applying full-size tokenizers to tiny models.

Training

  • Dataset: 99% FineWeb-Edu, 1% Cosmopedia-v2
  • Tokens seen: 1B (single epoch, no repetition)
  • Steps: 7,000
  • Hardware: 2x NVIDIA T4 GPUs (Kaggle)
  • Objective: standard next-token prediction (causal LM)

At this parameter count, the model is not expected to produce coherent long-form generations. The purpose of this training run is to establish a baseline for the Supra2 family and to validate the training pipeline (tokenizer, architecture, data mix) before scaling to larger variants in the same family.

Benchmarks

Zero-shot evaluation on standard small-LM benchmarks, compared against two other sub-1M/1M-parameter models from the same lab:

image

BenchmarkSupra2-Nano (0.8M)Supra-Mini-v6 (1M)Supra-Mini-v3 (0.5M)
PIQA (acc_norm)0.530.540.50
HellaSwag (acc_norm)0.270.270.25
ARC-Easy (acc_norm)0.310.300.28
ARC-Challenge (acc_norm)0.210.200.23

Scores across all three models sit close to random/majority-class baselines, which is expected at this parameter scale. PIQA is the strongest signal, consistent with what's typically observed in sub-million-parameter models — it has the lowest reasoning depth requirement of the four tasks. Supra2-Nano performs comparably to Supra-Mini-v6 despite having 20% fewer parameters, and outperforms Supra-Mini-v3 on three of four tasks.

Get started

import json
import os

import torch
from huggingface_hub import snapshot_download
from transformers import AutoModelForCausalLM, LlamaTokenizerFast

MODEL_NAME = "SupraLabs/Supra2-Nano"
PROMPT = "The history of artificial intelligence begins"


def load_tokenizer(model_name: str) -> LlamaTokenizerFast:
    local_dir = snapshot_download(model_name)
    config_path = os.path.join(local_dir, "tokenizer_config.json")

    with open(config_path, "r", encoding="utf-8") as f:
        cfg = json.load(f)

    if isinstance(cfg.get("extra_special_tokens"), list):
        cfg["extra_special_tokens"] = {}
        with open(config_path, "w", encoding="utf-8") as f:
            json.dump(cfg, f, indent=2, ensure_ascii=False)

    return LlamaTokenizerFast.from_pretrained(local_dir)


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

    tokenizer = load_tokenizer(MODEL_NAME)
    model = AutoModelForCausalLM.from_pretrained(MODEL_NAME, torch_dtype=torch.bfloat16)
    model.eval().to(device)

    inputs = tokenizer(PROMPT, return_tensors="pt").to(device)
    inputs.pop("token_type_ids", None)

    with torch.no_grad():
        output_ids = model.generate(
            **inputs,
            max_new_tokens=100,
            do_sample=True,
            temperature=0.8,
            top_p=0.9,
            repetition_penalty=1.3,
            pad_token_id=tokenizer.eos_token_id,
        )

    print(tokenizer.decode(output_ids[0], skip_special_tokens=True))


if __name__ == "__main__":
    main()

Intended use

This model is intended for research into small-model scaling, architecture ablations, and training pipeline validation. It is not intended for production use or any application requiring reliable text generation. Outputs at this scale will frequently be repetitive, ungrammatical, or incoherent.

Limitations

  • 800K parameters is well below the threshold where transformer language models produce fluent text.
  • The 4,096-token vocabulary increases out-of-vocabulary fragmentation on rare words and non-English text.
  • Single-epoch training on 1B tokens with no held-out validation set beyond benchmark evaluation.
  • No instruction tuning or alignment; this is a base (pretrained) model only.

Citation

If you use this model, please cite the SupraLabs organization on Hugging Face.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
b27a9cc

0 моделей