/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
123 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Библиотека
transformers
Опубликована
23 июл 2026

Museko-125M

Генерация текстаТекст → текст3 профессии

Компактная базовая модель Llama на 123 млн параметров для продолжения текста и экспериментов с языковыми моделями малого размера.

102скачиваний за 30 дней9лайковвеса обновлены23 июл 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

Museko-125M — компактная языковая модель, обученная автором TobiasLogic с нуля. Это плотный декодер Llama для генерации и продолжения текста; модель содержит 122,7 млн параметров и использует контекст до 2048 токенов. Она обучена на FineWeb-Edu с добавлением примерно 10% синтетических арифметических данных, а токенизатор основан на SmolLM2-135M.

Модель предназначена для завершения текстовых фрагментов и служит базовой моделью для экспериментов с небольшими языковыми моделями. По заявлению автора, она показывает сильные результаты для своего размера в тестах на общие знания, рассуждение и арифметику. Показатели бенчмарков получены в режиме выбора продолжения по вероятности и не гарантируют аналогичного качества при свободной генерации.

Это базовая, а не диалоговая или инструкционная модель: она не рассчитана на выполнение команд и ответы на вопросы. При жадном декодировании может повторять текст; настройки генерации в конфигурации помогают сохранять связность. Веса доступны по лицензии Apache 2.0.

Сценарии применения

  • продолжение коротких текстовых фрагментов
  • генерация связного текста по началу фразы
  • эксперименты с базовыми языковыми моделями до 150 млн параметров
  • изучение влияния синтетических арифметических данных на небольшие модели

Ограничения

Это базовая модель, не предназначенная для инструкций, команд или диалоговых ответов; при жадном декодировании может зацикливаться. Результаты тестов с выбором продолжения по вероятности не обязательно отражают качество свободной генерации.

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

Museko-125M

Museko-125M is a 123M parameter language model I trained from scratch. It targets the sub-150M size class, and across the standard small-model benchmarks it currently comes out ahead of the other models in that range.

It is a Llama style decoder pretrained on FineWeb-Edu with a small amount of synthetic arithmetic mixed in. The arithmetic mix is why it does noticeably better on math than most models its size while still holding solid general knowledge and reasoning.

Benchmarks

All numbers are 0-shot, measured with lm-evaluation-harness and the ArithMark 2.0 benchmark.

BenchmarkMuseko-125MPrevious best in class
HellaSwag33.230.6
ARC-Easy54.048.6
ARC-Challenge25.725.4
PIQA63.264.5
ArithMark 2.074.366.7

Benchmark comparison

By the leaderboard averaging (ARC-Easy and ARC-Challenge combined) this comes to about 52.6, ahead of the previous top model at 49.71. It leads on four of the five benchmarks.

Board average during training

How to read these scores

The numbers above are multiple-choice scores, measured the way the Open SLM Leaderboard does it. The model is shown a prompt with a few candidate continuations and is scored on whether it ranks the correct one highest by likelihood. That is the standard setup and every model on the board is measured the same way, but it is not the same thing as free generation.

There is a real gap between the two. On ArithMark the model ranks the correct answer about 75 percent of the time, but when it has to generate the answer on its own it gets closer to 16 percent. That gap is normal for small models and for likelihood based benchmarks in general. So treat Museko as a strong base model for its size that completes text coherently and ranks well on these tasks, rather than one that reliably writes out correct answers by itself. It is best at completion, not at instructions or question answering.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

name = "TobiasLogic/Museko-125M"
tok = AutoTokenizer.from_pretrained(name)
model = AutoModelForCausalLM.from_pretrained(name, torch_dtype=torch.bfloat16)

prompt = "The moon is"
ids = tok(prompt, return_tensors="pt")
out = model.generate(**ids, max_new_tokens=120)
print(tok.decode(out[0], skip_special_tokens=True))

Generation notes

This is a base model, not an instruction or chat model, so use it for text completion rather than commands or question answering. Like most small base models it loops badly under plain greedy decoding, so the config here ships with a repetition penalty and an n-gram block by default and generation stays coherent out of the box. If you want more varied text, turn on sampling:

out = model.generate(**ids, max_new_tokens=120, do_sample=True, temperature=0.8, top_p=0.95, repetition_penalty=1.3)

Training setup

  • Architecture: Llama, 12 layers, hidden size 768, 12 attention heads, 2048 context
  • Parameters: about 123M
  • Tokenizer: SmolLM2-135M (49,152 vocab)
  • Data: FineWeb-Edu plus roughly 10% synthetic arithmetic
  • Optimizer: AdamW, cosine schedule from 6e-4 down to 6e-5, 1,000 step warmup, weight decay 0.1
  • Effective batch: about 0.52M tokens per step

Notes

Weights are open under Apache 2.0. This release is a from-scratch model and remains a strong general baseline for its size while being particularly good at arithmetic.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
06c0155

0 моделей