Boterham 0.5B

English

Model description

Boterham 0.5B is a compact, primarily Dutch decoder-only language model developed by ToetsChecker Research. It was pretrained from scratch and then instruction-tuned for working with Dutch text and documents. The model is particularly intended for grounded tasks: give it a passage and ask it to extract an answer, summarize the passage, or abstain when the requested information is absent.

The Hugging Face export uses the Qwen3ForCausalLM implementation because the architectures are compatible. Boterham does not use Qwen weights and is not a fine-tune or derivative of Qwen; its tokenizer and model weights were trained from scratch.

Intended tasks

The instruction-tuning mixture contains the following task families:

• grounded extractive question answering;
• abstention when an answer is not present in the supplied text;
• Dutch document summarization;
• arithmetic and short worked calculations;
• grammar and multiple-choice classification;
• Dutch-English translation;
• open questions, basic factual questions and short conversation.

Its main intended use is experimentation with Dutch NLP, document-grounded assistants and retrieval-augmented generation. It is not intended as a high-stakes decision system or as an authoritative source of facts.

Training

The base model was pretrained from scratch on approximately 8.0 billion tokens. The corpus consists of public-domain and permissively licensed material, including Dutch government publications, legislation, parliamentary proceedings, case law and Wikimedia sources. The documented source dataset is available at ToetsChecker-Research/beleg. No general web crawl or model-generated distillation dataset was used.

Instruction tuning used 575,211 training examples and a held-out set of 1,000 examples. It ran for 2 epochs / 4,786 optimizer steps on four NVIDIA L4 GPUs, with a peak learning rate of 5e-5 and a cosine schedule. Training loss was applied only to answer tokens and weighted globally by the number of answer tokens. The best held-out validation loss was 0.8348.

The instruction data was built from verifiable source documents where possible. Extractive answers must occur in the context; abstention examples are checked so that the answer is absent; and reference summaries originate from the source collection. The model uses the Boterham chat tokens included in the published tokenizer.

Usage with Transformers

pip install "transformers>=4.51" torch

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "ToetsChecker-Research/boterham"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    dtype=torch.bfloat16 if torch.cuda.is_available() else torch.float32,
).to("cuda" if torch.cuda.is_available() else "cpu")

messages = [{
    "role": "user",
    "content": (
        "Answer only from the text. If the answer is absent, say exactly: "
        "Ik weet dit niet.\n\n"
        "Tekst: De vergadering begint vrijdag om 14.00 uur in Utrecht.\n\n"
        "Vraag: Hoe laat begint de vergadering?"
    ),
}]

prompt = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
)
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

with torch.inference_mode():
    output = model.generate(
        **inputs,
        max_new_tokens=128,
        do_sample=False,
        eos_token_id=tokenizer.eos_token_id,
        pad_token_id=tokenizer.pad_token_id,
    )

generated = output[0, inputs.input_ids.shape[1]:]
raw = tokenizer.decode(generated, skip_special_tokens=False)

# Some prompts produce a private reasoning block before the final answer.
answer = raw.split("<|einde_denken|>")[-1].split("<|einde|>")[0].strip()
print(answer)

For the most reproducible task evaluation, use greedy decoding (do_sample=False) and reproduce the benchmark's required answer format.

Checkpoints in this repository

• Root-level model.safetensors: compact Transformers inference export.
• sft-0.5B/beste.pt: best instruction-tuned native PyTorch checkpoint.
• sft-0.5B/laatste.pt: final native checkpoint including optimizer state, intended for resuming training.
• boterham-0.5B/: original pretrained native checkpoints.

Limitations

Boterham is a small experimental model. It has limited world knowledge and can produce incorrect, fabricated or biased text. Factual claims about people, dates, numbers, law, medicine or current events should not be trusted without verification and supporting context. Its 2,048-token context window is short by current standards. Open-ended conversation and creative writing received less training emphasis than document-grounded tasks.

Official EuroEval benchmark results have not yet been published. Validation loss is a training diagnostic and must not be interpreted as a benchmark score.

Nederlands

Modelbeschrijving

Boterham 0.5B is een compact, voornamelijk Nederlandstalig decoder-only taalmodel van ToetsChecker Research. Het model is vanaf nul voorgetraind en daarna instructiegetuned voor het werken met Nederlandse tekst en documenten. Het is vooral bedoeld voor gegronde taken: geef het een passage en laat het een antwoord uit de tekst halen, de passage samenvatten, of aangeven dat gevraagde informatie ontbreekt.

De Hugging Face-export gebruikt Qwen3ForCausalLM omdat de architecturen compatibel zijn. Boterham gebruikt geen Qwen-gewichten en is geen finetune of afgeleide van Qwen; zowel de tokenizer als de modelgewichten zijn vanaf nul getraind.

Taken

De instructiefinetuning bevat de volgende taakfamilies:

• extractieve vraagbeantwoording op basis van meegegeven tekst;
• onthouding wanneer het antwoord niet in de tekst staat;
• samenvatten van Nederlandse documenten;
• rekenen en korte uitgewerkte berekeningen;
• grammatica- en meerkeuzeclassificatie;
• Nederlands-Engelse vertaling;
• open vragen, eenvoudige feitenvragen en korte gesprekken.

Het belangrijkste gebruiksdoel is onderzoek naar Nederlandse NLP, documentgestuurde assistenten en retrieval-augmented generation. Het model is niet bedoeld voor beslissingen met grote gevolgen of als gezaghebbende feitenbron.

Training

Het basismodel is vanaf nul voorgetraind op ongeveer 8,0 miljard tokens. Het corpus bestaat uit publiek domein en permissief gelicentieerd materiaal, waaronder Nederlandse overheidspublicaties, wetgeving, parlementaire Handelingen, rechtspraak en Wikimedia-bronnen. De gedocumenteerde brondataset staat op ToetsChecker-Research/beleg. Er is geen algemene webcrawl of door een ander model gegenereerde destillatiedataset gebruikt.

De instructiefinetuning gebruikte 575.211 trainingsvoorbeelden en 1.000 apart gehouden validatievoorbeelden. De run duurde 2 epochs / 4.786 optimizerstappen op vier NVIDIA L4-GPU's, met een maximale learning rate van 5e-5 en een cosine schedule. Alleen antwoordtokens telden mee voor de loss; de weging gebeurde globaal op basis van het aantal antwoordtokens. De beste validatieloss was 0,8348.

Waar mogelijk is de instructiedata opgebouwd uit controleerbare brondocumenten. Extractieve antwoorden moeten letterlijk in de context staan, bij onthoudingsvoorbeelden wordt gecontroleerd dat het antwoord ontbreekt, en referentiesamenvattingen komen uit de broncollectie. Het model gebruikt de Boterham-chattokens die in de gepubliceerde tokenizer zijn opgenomen.

Gebruik met Transformers

Het Python-voorbeeld in de Engelse sectie is direct bruikbaar. De belangrijke stappen zijn AutoTokenizer.from_pretrained, AutoModelForCausalLM.from_pretrained en tokenizer.apply_chat_template. Gebruik voor reproduceerbare evaluatie greedy decoding (do_sample=False) en houd het antwoordformaat van de benchmark exact aan.

Checkpoints in deze repository

• model.safetensors in de hoofdmap: compacte Transformers-export voor inference en benchmarks.
• sft-0.5B/beste.pt: beste native PyTorch-checkpoint na instructiefinetuning.
• sft-0.5B/laatste.pt: laatste native checkpoint inclusief optimizerstaat, bedoeld om training te hervatten.
• boterham-0.5B/: oorspronkelijke voorgetrainde native checkpoints.

Beperkingen

Boterham is een klein experimenteel model. Het heeft beperkte wereldkennis en kan onjuiste, verzonnen of bevooroordeelde tekst produceren. Feiten over personen, datums, getallen, recht, geneeskunde of actuele gebeurtenissen mogen niet zonder controle en ondersteunende context worden vertrouwd. Het contextvenster van 2.048 tokens is naar huidige maatstaven kort. Open conversatie en creatief schrijven kregen minder nadruk dan documentgebonden taken.

Officiële EuroEval-benchmarkresultaten zijn nog niet gepubliceerd. Validatieloss is een trainingsdiagnose en geen benchmarkscore.