/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
82,6 млн
Лицензия
Apache 2.0
Архитектура
surjo · dense
Библиотека
transformers
Опубликована
10 сен 2026

Surjo-100m

Генерация текстаТекст → текст3 профессии

Компактная англоязычная языковая модель SurjoLabs для генерации текста и диалогов.

1 017скачиваний за 30 дней16лайковвеса обновлены24 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

Surjo-100m — компактная языковая модель SurjoLabs для генерации текста и диалогов. Она построена на архитектуре Surjo Gen-3: сочетает линейное внимание Gated DeltaNet-2 с полным вниманием XSA. В модели 82,6 млн параметров по метаданным; в README приводится другое значение — 97,7 млн. Физическая архитектура содержит 18 слоёв, а повторное выполнение связанного по весам рекуррентного ядра в два прохода даёт заявленную вычислительную глубину в 34 слоя.

Модель предназначена для генерации продолжений текста и диалогового взаимодействия на английском языке. Контекстное окно — 2048 токенов по метаданным; обучение описано на корпусе объёмом 20 млрд токенов с последовательностями длиной 1024 токена. В README приведены результаты на PIQA, ARC-Easy и ArithMark-3, но они сами по себе не гарантируют качество в прикладных сценариях. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия Apache-2.0.

Сценарии применения

  • генерация продолжения текста на английском языке
  • подготовка черновиков и коротких ответов
  • диалоговое взаимодействие с пользователем
  • экспериментальная оценка компактных языковых моделей

Ограничения

Контекст ограничен 2048 токенами, поэтому модель может быть неудобна для длинных документов. Показатели бенчмарков из README не описывают надёжность на широком круге прикладных задач; сведения о расхождении числа параметров в README и метаданных требуют осторожности.

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

Surjo-100m is a 97.7M-parameter hybrid recurrent language model developed by SurjoLabs. Built on the Gen-3 Surjo architecture, it couples Gated DeltaNet-2 (GDN-2) linear attention with full attention (XSA).

By executing a weight-tied recurrent core across 2 passes, the model reaches an effective computational depth of 34 layers while retaining the memory footprint and latency profile of an 18-layer physical model.

Model Specifications

AttributeSpecification
Parameters97.7M
ArchitectureHybrid GDN-2 + XSA (Subtractive Attention)
Physical Layers18 (1 Prelude + 16 Recurrent Trunk + 1 Coda)
Effective Depth34 Layers (2 Recurrent Passes)
Hidden Size576
Intermediate Size1536
Attention ConfigurationGQA (9 Query heads, 3 KV heads; Head Dim: 64)
Linear AttentionGDN-2 (K: 64, V: 64, 9 V-Heads)
Context Length1024 tokens pretraining (2048 max)
Vocabulary32,768 (Custom BPE, tied embeddings)

Evaluation Results

BenchmarkScore
PIQA63.87%
ARC-Easy47.64%
ArithMark-338.90%
HellaSwag35.05%
ARC-Challenge25.85%
Int Index18.86

Architecture Details

Surjo Gen-3 combines fast recurrent sequence processing with full-attention boundary layers:

  • Prelude (Layer 0): Standard attention with subtractive value projection (XSA) to anchor context.
  • Recurrent Core (Layers 1–16, tied 2× passes): Four interleaved groups consisting of 3× GDN-2 linear attention layers followed by 1× XSA full attention layer. GDN-2 uses chunked/fused recurrent kernels via Flash Linear Attention (FLA).
  • Coda (Layer 17): Terminal full-attention XSA layer.
  • Tied Head: The output projection shares weights with the 32,768-token embedding layer.

Pretraining

  • Dataset (20B tokens):
    • 60% FinePhrase
    • 20% DCLM
    • 10% FineMath
    • 10% Cornstack Python
  • Training Schedule: 20,000 steps (~1M tokens/step) at a sequence length of 1024 tokens.
  • Optimizer: Hybrid Muon (peak lr = 0.02) and AdamW (peak lr = 0.0036).

Usage

Requirements

pip install torch transformers accelerate
pip install -U git+https://github.com/fla-org/flash-linear-attention

Generation Example

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "SurjoLabs/Surjo-100m"

tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16 if torch.cuda.is_available() else torch.float32,
    device_map="auto",
    trust_remote_code=True,
)

prompt = "The secret to scaling small language models is"
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

with torch.no_grad():
    outputs = model.generate(
        **inputs,
        max_new_tokens=64,
        do_sample=True,
        temperature=0.7,
        top_p=0.9,
        repetition_penalty=1.1,
    )

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

Citation & License

This project is released under the Apache 2.0 License.

@software{surjo100m2026,
  author = {SurjoLabs},
  title = {Surjo-100m: Hybrid Recurrent Language Model},
  year = {2026},
  url = {https://huggingface.co/SurjoLabs/Surjo-100m}
}

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
SurjoForCausalLM
Ревизия весов
bd2dd85

0 моделей