/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
scratch_gpt · dense
Опубликована
22 авг 2026

welmia-2.0-103m-base

Генерация текстаТекст → текст3 профессии

Небольшая базовая GPT-подобная модель Welmia для продолжения англоязычного текста и экспериментов с генерацией.

92скачиваний за 30 дней1лайквеса обновлены23 авг 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

Welmia/welmia-2.0-103m-base — базовая GPT-подобная языковая модель, разработанная Welmia и обученная с нуля на примерно 5 млрд токенов корпуса OpenWebText. Модель содержит 103,4 млн параметров, 12 слоёв и 12 голов внимания; использует RoPE, RMSNorm, SwiGLU и связанные эмбеддинги. Для токенизации применяется собственный BPE-токенизатор с размером словаря 24 тыс. токенов, несовместимый с токенизаторами моделей Welmia 1.0.

Модель предназначена для продолжения текста с предсказанием следующего токена, а не для диалогов и выполнения инструкций. Её можно использовать в экспериментах с небольшими языковыми моделями и генерацией текста; карточка описывает загрузку через Transformers с `trust_remote_code=True`. Контекст составляет 512 токенов.

По карточке модель обучена на англоязычном корпусе OpenWebText; данные не подтверждают поддержку других языков. В реализации отсутствует KV-кэш, поэтому генерация может быть медленной, особенно при длинном выводе; вход длиннее контекста обрезается слева. Лицензия — Apache-2.0.

Сценарии применения

  • продолжение англоязычного текста
  • эксперименты с компактными GPT-моделями
  • исследование предсказания следующего токена

Ограничения

Модель не настроена на инструкции и диалог, а реализация без KV-кэша замедляет генерацию; контекст ограничен 512 токенами, длинные входы обрезаются слева.

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

welmia-2.0-103m-base

A 103M-parameter GPT-style language model (RoPE, RMSNorm, SwiGLU, tied embeddings) pretrained completely from scratch on ~5B tokens (OpenWebText).

This is the base (non-instruction-tuned) model — raw next-token prediction only. For an instruction-following version, see welmia-1.0-103m-instruct (uploaded separately).

Architecture

ParameterValue
Parameters103.4M
Layers12
Attention Heads12
Embedding Dim768
Context Length512
Vocab Size24,000
NormalizationRMSNorm
ActivationSwiGLU
Positional Enc.RoPE
Weight TyingYes

Tokenizer note: this model uses a custom 24k-vocab BPE tokenizer trained specifically for this model — it is not the GPT-2/tiktoken vocabulary used by welmia-1.0-81m. Checkpoints and tokenizers between the two models are not interchangeable.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model = AutoModelForCausalLM.from_pretrained("Welmia/welmia-2.0-103m-base", trust_remote_code=True)
tok = AutoTokenizer.from_pretrained("Welmia/welmia-2.0-103m-base")

ids = tok("The history of artificial intelligence began", return_tensors="pt").input_ids
out = model.generate(ids, max_new_tokens=100, do_sample=True, temperature=0.8, top_k=40)
print(tok.decode(out[0], skip_special_tokens=True))

trust_remote_code=True is required — this is a custom architecture, defined in modeling_gpt.py in this repo.

Important notes

  • Base model, not instruction-tuned. It will continue text rather than answer questions or follow instructions. Use the -instruct version for chat/Q&A behavior.
  • No KV cache in this implementation — generate() recomputes the full forward pass each step, so it's slower than production-grade inference code at longer output lengths.
  • 512-token context. Inputs longer than this are truncated from the left during generation.

Training

Trained from scratch on ~5B tokens of OpenWebText, causal LM objective, RoPE + SwiGLU + RMSNorm architecture, AdamW optimizer with cosine LR schedule.

License

Apache License 2.0

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
GPTForCausalLM
Ревизия весов
60d5efb

0 моделей