/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
9,1 млн
Лицензия
MIT
Архитектура
spark2a · dense
Опубликована
23 авг 2026

Spark-2A

Генерация текстаТекст → текст3 профессии

Компактная англоязычная модель SurjoLabs для генерации текста и диалогов с экспериментальными возможностями рассуждения.

167скачиваний за 30 дней4лайкавеса обновлены11 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

Spark-2 — компактная языковая модель SurjoLabs с 9,1 млн параметров для генерации текста и диалогового взаимодействия. Она использует плотную авторскую архитектуру Spark2A на основе Llama: групповое внимание GQA с шестью Q- и двумя KV-головами, проекцию XSA и повторное использование весов в шести рекуррентных слоях. Контекст составляет 2048 токенов; модель работает с текстом и рассчитана на английский язык.

Модель обучена на смеси веб-текстов, синтетических учебных данных, математических текстов и кода Python. В README приведены результаты оценки на задачах рассуждения и здравого смысла, однако генерация и связность текста ограничены малым размером модели. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Разработчик характеризует модель как экспериментальную и ориентированную на исследования и бенчмарки.

Сценарии применения

  • эксперименты с генерацией английского текста на малой модели
  • оценка компактной языковой модели на бенчмарках рассуждения
  • создание простых диалоговых прототипов
  • изучение рекуррентной архитектуры трансформера с разделением весов

Ограничения

Из-за малого размера модели длина и связность генерируемого текста ограничены. README позиционирует её как экспериментальную модель для исследований и оценки на бенчмарках.

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

Spark-2 (9.15M Parameters)

Spark-2 is a high-efficiency, sub-10M parameter language model developed by SurjoLabs. With an Intelligence Index of 9.14, it proves that combining 3:1 Grouped-Query Attention (GQA), value-subtraction projection (XSA), and deep recurrent weight-sharing yields exceptional reasoning capabilities at micro scale.


What's New in Spark-2?

  • 6:2 Grouped-Query Attention (3:1 GQA): Upgraded from 1 KV head (MQA) to 2 independent Key-Value heads (6 Q heads, 2 KV heads, head dimension 48) to improve contextual memory and multi-step reasoning.
  • Expanded Recurrent Depth: Scaled from 3 to 6 recurrent layers (9 physical layers total: 1 prelude + 6 recurrent + 2 coda), delivering an effective computational depth of 15 layers per token across 2 passes.
  • Optimal Width & MLP Scaling: Scaled hidden dimension to 288 and intermediate dimension to 768 (2.67x ratio), bringing total parameters to exactly 9,148,608.
  • Critical FinePhrase Dataset Fix: In the original Spark v1 pipeline, a configuration bug caused the FinePhrase dataset to map to raw source web data rather than the intended synthetic educational rollouts. In Spark-2, this was resolved alongside strict length filtering (> 24 tokens) to eliminate low-information fragments.
  • Performance Leap: Jumped from 7.93 -> 9.14 on the Intelligence Index, notably achieving 37.00% on ArithMark-3.0 and 57.24% on PIQA.

Methodology

Spark-2 demonstrates that specialized recurrent architectures can match or exceed standard transformers multiple times their size when trained on dense, high-quality data.

  • Custom Architecture: Built on a Llama-style backbone featuring XSA Attention (orthogonal value-subtraction) and Recurrent Weight-Sharing. By passing activations twice through its 6 recurrent layers, the model achieves the computational depth of a 15-layer model (1 prelude + 6x2 recurrent + 2 coda) while storing only 9 physical layers of weights (~9.15M total parameters).
  • Optimized Tokenizer: Uses a custom 4,096-vocabulary English tokenizer. Restricting vocabulary size prevents embedding bloat, keeping ~87% of all parameters dedicated strictly to transformer logic.
  • Extreme Overtraining: Trained on ~20.97 Billion tokens (20,000 steps * 1,048,576 tokens/step) to drive dense knowledge compression and syntax mastery.
  • Data Mixture:
    • 60% FinePhrase (Synthetic FineWeb-Edu, filtered length > 24 tokens)
    • 20% DCLM (Curated web text)
    • 10% FineMath (Mathematical reasoning)
    • 10% CornStack Python (Python code)
  • Optimizer: Hybrid setup combining Muon (for 2D weight matrices) with AdamW (for embeddings, lm_head, and normalization layers) with a WSD (Warmup-Stable-Decay) learning rate schedule.

Benchmark Results (Open SLM Leaderboard)

Evaluated at 0-shot using normalized accuracy (acc_norm):

BenchmarkSparkSpark-2
HellaSwag28.17%28.13%
ARC-Easy35.02%34.26%
ARC-Challenge20.99%22.18%
PIQA55.55%57.24%
ArithMark-3.036.10%37.00%
Intelligence Index7.939.14
  • Evaluations for HellaSwag, ARC-Easy, ARC-Challenge, and PIQA were performed using lm-evaluation-harness (0-shot, acc_norm).
  • ArithMark-3.0 evaluated using the official benchmark evaluation script (acc_norm).

Note on Checkpoint

The model was trained for 20,000 steps with a WSD scheduler (decay phase starting at step 16,000). Extensive checkpoint evaluation revealed that checkpoint-17500 achieved peak consolidation across math, commonsense, and logic benchmarks (9.14 INT INDEX). The final step 20,000 was discarded, and step 17,500 is the official version hosted in the root of this repository.


Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "SurjoLabs/Spark-2"
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_id, 
    trust_remote_code=True, 
    torch_dtype=torch.bfloat16
).cuda()

prompt = "The capital of France is"
inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
outputs = model.generate(**inputs, max_new_tokens=20)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Acknowledgements

We would like to thank AxiomicLabs for pioneer work proving the token-efficiency of the XSA attention mechanism.

Limitations

Spark-2 is an experimental sub-10M parameter model developed under the broader Surjo Project. While it demonstrates strong reasoning for its size, language generation length and coherence remain constrained by absolute capacity. The modeling files are intended for research and benchmark evaluation.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Класс архитектуры
Spark2AForCausalLM
Ревизия весов
8738b74

0 моделей