/ Модель

Характеристики

Контекст
1 024 токена
Параметры
198 млн
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
10 сен 2026

Vertex-0.6-200M-Base

Генерация текстаТекст → текст3 профессии

Компактная базовая англоязычная модель Vertex Research для продолжения текста, дальнейшего обучения и исследований.

323скачиваний за 30 дней0лайковвеса обновлены20 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.

  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

Vertex 0.6 200M Base — базовая языковая модель Vertex Research, обученная с нуля на 20 млрд токенов отфильтрованного англоязычного веб-текста Ultra-FineWeb. Это плотный декодерный трансформер с архитектурой Qwen3 и 198,2 млн параметров; модель принимает текст и генерирует продолжение текста. Контекст составляет 1024 токена. Доступна в формате Safetensors для Transformers, вместе с токенизатором.

Модель предназначена для текстового автодополнения, дальнейшего дообучения и исследований компактных языковых моделей. Карточка приводит сравнительные результаты на наборах задач общего знания и рассуждения, однако отмечает, что факты, особенно даты, имена и числа, быстро теряют точность. Кодовая генерация слаба из-за отсутствия специализированных обучающих данных.

Это необученная на инструкции базовая модель: она не поддерживает специальный формат чата и не проходила настройку безопасности. Поэтому она не предназначена для прямого использования в производстве или как готовый помощник; варианты с инструкционной настройкой и вызовом инструментов указаны как разрабатываемые. Лицензия — Apache 2.0.

Сценарии применения

  • автодополнение англоязычного текста
  • продолжение текстовых фрагментов
  • исследование компактных языковых моделей
  • дообучение базовой модели под инструкции или прикладную задачу

Ограничения

Не следует использовать как готового чат-ассистента: модель не обучена следовать инструкциям, не имеет формата чата и не проходила настройку безопасности. Факты могут быть вымышленными, а генерация кода слаба; карточка не рекомендует модель для производственного применения.

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

Vertex 0.6 200M Base

A 198M-parameter decoder-only transformer (Qwen3 architecture), pretrained from scratch by Vertex Research on 20B tokens of filtered English web text (Ultra-FineWeb). It is the largest model in the Vertex 0.6 family and the strongest base we have trained so far. Apache 2.0, weights and tokenizer included.

This is a raw base model: plain-text completion only. No instruction tuning, no chat format, no safety tuning. Instruct and tool-calling variants built on this base are in progress.

Model details

Parameters198.21M (tied embeddings)
ArchitectureQwen3-based decoder-only transformer
Hidden size / layers768 / 20
Attention12 heads, 4 KV heads (GQA), head_dim 64
FFN3072 (SwiGLU)
Context length1024 (RoPE theta 10,000)
Vocabulary32,768
Precisionbf16 mixed-precision training, fp32 weights
Pretraining tokens20B (about 100 tokens per parameter)

Benchmarks

Zero-shot, acc_norm, run with lm-eval-harness plus ArithMark-3. The "Avg" and "Intelligence Index" columns use the same weighting as every Vertex release (mean of HellaSwag, combined ARC, PIQA and ArithMark-3; the Index is chance-normalized with ArithMark weighted 0.65), so they are directly comparable to earlier Vertex numbers.

Every model below was run locally with the identical harness, tasks and formula on the same machine; no numbers are copied from other model cards. Pretrain token counts are as stated on each model's card ("?" means not disclosed). ARC is the mean of ARC-Easy and ARC-Challenge. BoolQ and SciQ are informational and not part of Avg / Index.

ModelParamsPretrain tokensAvgInt. IndexHellaSwagARC (avg)PIQAArithMark-3BoolQSciQ
SmolLM2-360M362M4T60.1441.8756.453.072.059.261.986.5
LFM2-350M354M10T52.3832.7949.052.969.638.064.489.4
SmolLM2-135M135M2T48.4026.7643.044.068.538.160.178.3
SmolLM-135M135M600B47.4325.3542.642.467.737.059.674.6
BananaMind-2-Pro139M?47.2124.9242.840.767.637.758.776.2
Vertex 0.6 200M Base198M20B46.0223.3040.540.867.035.856.870.7
Rose-1.5-Medium99M~100B45.1721.2138.037.365.340.055.669.8
Rose-Pro151M?44.7120.7838.137.865.137.860.568.8
Supra2-100M-Base101M30B43.6919.4136.136.265.337.261.770.8
Mamba-130M129M300B42.0816.6635.133.263.037.155.267.2
Vertex 0.6 100M Base97M10B41.2815.9734.234.063.333.654.764.3
llama-160m162M?40.2314.7134.629.664.032.761.760.2
GPT-2 (124M)124M~10B39.8413.3631.331.561.535.150.164.1
OPT-125M125M180B39.7813.4031.631.061.934.756.070.2
AMD-Llama-135m134M670B38.0210.4527.128.860.535.761.846.7
TinyMistral-248M248M?37.078.8828.429.757.532.760.046.7
Pythia-160M162M300B36.388.8030.630.458.226.443.262.0

Reading the table: at 20B pretraining tokens this base lands above every model trained on 300B tokens or fewer, and above every model in the 100M to 160M range except the trillion-token SmolLM family and BananaMind-2-Pro. The gap to those is token exposure, not architecture: the models ahead of it saw 30x to 200x more data. Winogrande (53.0) and OpenBookQA (33.8) were also run; both sit near chance for every model in this size band and are omitted from the table.

The two 350M models are included as a ceiling reference only. BoolQ and ArithMark-3 are the columns with the most headroom for this base and are the targets of the continued-pretraining stage that follows.

Training

Single-run pretraining, about 11.6 days on one consumer GPU at ~20K tokens/s: cosine schedule, peak learning rate 6e-4 with 2,000 warmup steps, effective batch 64 sequences of 1024 tokens, AdamW, bf16 autocast. Training loss went from 9.1 to ~2.65.

Pretraining loss, 100M vs 200M

The curve is plotted against tokens seen, alongside the earlier 100M base (10B tokens); the 200M model sits below it at every point.

Usage

from transformers import AutoTokenizer, AutoModelForCausalLM

repo = "VertexResearch/Vertex-0.6-200M-Base"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo)

ids = tok("The capital of France is", return_tensors="pt").input_ids
out = model.generate(ids, max_new_tokens=40, do_sample=True,
                     temperature=0.6, top_p=0.9, repetition_penalty=1.3)
print(tok.decode(out[0], skip_special_tokens=True))

Sampling (temperature around 0.6, top-p 0.9, repetition penalty around 1.3) is recommended; greedy decoding tends to loop at this model size.

Limitations

Fluent, well-structured English with reasonable common knowledge, but facts degrade quickly beyond the obvious: dates, names and numbers are often invented. It has seen no dedicated code data yet, so code completion is weak. No instruction following, no chat format, no safety tuning. Knowledge comes from web text and is not curated for accuracy. Not for production use; intended as a base for further training and for research on small models.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
cb92d2c

0 моделей