Характеристики

Контекст: 128 000 токенов
Параметры: 1,6 млрд
Размер весов: 16,9 ГБ
Архитектура: lfm2_moe · MoE
Базовая модель: LFM2.5-8B-A1B-Base
Библиотека: transformers
Опубликована: 13 сен 2026

Ссылки

LFM2.5-8B-A1B-UltraData-L2-49M

Генерация текстаТекст → текст4 профессии

Экспериментальная модель генерации кода на базе LFM2.5, продолженно предобученная на датасете UltraData-Code для задач с Python и дальнейшей донастройки.

409скачиваний за 30 дней2лайкавеса обновлены13 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

Susant-Achary/LFM2.5-8B-A1B-UltraData-L2-49M — экспериментальный чекпойнт для генерации кода, созданный продолжением предобучения LiquidAI на базе LiquidAI/LFM2.5-8B-A1B-Base. Обучение второго этапа велось на наборе openbmb/UltraData-Code; в README указано 48,99 млн входных токенов и Python как язык обучения. Модель построена на архитектуре LFM2 MoE и содержит 1,6 млрд параметров; репозиторий использует Transformers и формат safetensors. Метаданные указывают контекст 128 000 токенов, тогда как в README для обучения указана длина контекста 8 192 токена.

Модель предназначена для генерации и дополнения кода, а также для дальнейшей supervised fine-tuning. В README приведены результаты pass@1: 0,482 на HumanEval и 0,439 на HumanEval+. Это экспериментальный чекпойнт специализации на коде, поэтому результаты не гарантируют качество для произвольных задач программирования. Перед распространением или коммерческим использованием следует проверить лицензию базовой модели и лицензии набора данных и его источников.

Сценарии применения

генерация фрагментов кода на Python
автодополнение кода
решение задач программирования в стиле HumanEval
создание основы для дальнейшей донастройки на кодовых данных

Ограничения

Это экспериментальный чекпойнт, специализированный на коде; приведённые результаты HumanEval не гарантируют качество на других задачах. Перед распространением или коммерческим использованием необходимо проверить лицензию базовой модели и датасета.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.3Разработка и данныеРефакторинг, миграция и модернизацияAI помогает улучшать структуру программ и переносить их на новые технологии без потери поведения.20 задач9 764модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LFM2.5-8B-A1B UltraData L2 49M

Continued-pretraining checkpoint based on LiquidAI/LFM2.5-8B-A1B-Base.

Training

Dataset: openbmb/UltraData-Code
Stage: L2 continued pretraining
Language: Python
Context length: 8192
Actual L2 input tokens: 48,990,537
GPU: NVIDIA A100 80GB
Precision: BF16
LoRA rank: 32
MoE expert LoRA rank: 1
Peak learning rate: 5e-5
Optimizer: AdamW
Packing: enabled

Evaluation

Benchmark	pass@1
HumanEval	0.482
HumanEval+	0.439

Training performance

L2 input tokens: 48.99M
Runtime: ~2.14 hours
Throughput: ~6.35K tokens/sec

Intended use

Experimental continued-pretraining checkpoint for coding specialization and further supervised fine-tuning.

Training data and licensing

This model was derived from LiquidAI/LFM2.5-8B-A1B-Base and trained using openbmb/UltraData-Code.

Review the upstream LFM license and the dataset/source repository licenses before redistribution or commercial use.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры: Lfm2MoeForCausalLM
Ревизия весов: c9dc252