/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
48,2 млн
Лицензия
Apache 2.0
Архитектура
surjo · dense
Опубликована
5 сен 2026

Surjo-50m

Генерация текстаТекст → текст3 профессии

Компактная англоязычная причинная языковая модель SurjoLabs для генерации и продолжения текста.

1 357скачиваний за 30 дней15лайковвеса обновлены14 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-50M — компактная причинная языковая модель SurjoLabs на архитектуре Gen-3 Surjo. Она сочетает линейное рекуррентное внимание Gated DeltaNet-2 с полными слоями внимания XSA. В модели 48,2 млн параметров по метаданным, 10 физических слоёв и общий для двух проходов рекуррентный блок, что, согласно README, даёт вычислительную глубину в 18 слоёв. Модель принимает текст и генерирует текст; для неё указано окно контекста 2048 токенов.

Модель предназначена для продолжения текста и базовых задач языкового моделирования. В README приведены результаты на PIQA, ARC-Easy и ArithMark-3. Для диалогов и следования инструкциям разработчик рекомендует отдельную версию Surjo-50M-SFT-Only. Указанный в карточке язык — английский. Репозиторий содержит веса Safetensors и пользовательский код; лицензия — Apache-2.0.

Сценарии применения

  • продолжение англоязычного текста
  • генерация коротких текстовых фрагментов
  • эксперименты с компактными языковыми моделями
  • оценка базовых способностей языковой модели на PIQA и ARC-Easy

Ограничения

README указывает, что для диалогов и следования инструкциям рекомендуется отдельная дообученная версия Surjo-50M-SFT-Only. Контекст ограничен 2048 токенами; результаты в карточке приведены лишь для нескольких бенчмарков.

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-50M is a 53.8M-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 18 layers while retaining the memory footprint and latency profile of a 10-layer physical model.

Instruction-Tuned Variant: For conversational use, instruction following, and a 2048-token context window, see Surjo-50M-SFT-Only.

Model Specifications

AttributeSpecification
Parameters53.8M
ArchitectureHybrid GDN-2 + XSA (Subtractive Attention)
Physical Layers10 (1 Prelude + 8 Recurrent Trunk + 1 Coda)
Effective Depth18 Layers (2 Recurrent Passes)
Hidden Size512
Intermediate Size1536
Attention ConfigurationGQA (8 Query heads, 4 KV heads; Head Dim: 64)
Linear AttentionGDN-2 (K: 64, V: 64, 8 V-Heads)
Context Length1024 tokens pretraining (2048 max)
Vocabulary32,768 (Custom BPE, tied embeddings)

Evaluation Results

BenchmarkScore
PIQA63.11%
ARC-Easy44.99%
ArithMark-337.90%
HellaSwag31.37%
ARC-Challenge25.94%
Int Index16.40

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 1–8, tied 2× passes): Two 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 9): 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-50m"

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{surjo50m2026,
  author = {SurjoLabs},
  title = {Surjo-50M: Hybrid Recurrent Language Model},
  year = {2026},
  url = {https://huggingface.co/SurjoLabs/Surjo-50m}
}

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
SurjoForCausalLM
Ревизия весов
4582b04

0 моделей