/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
183 млн
Лицензия
Apache 2.0
Архитектура
hrm_text_moe · dense
Библиотека
transformers
Опубликована
17 июн 2026

HRM-MoE-0.6B

Генерация текстаТекст → текст3 профессии

Англоязычная разреженная MoE-модель на базе HRM-Text для генерации текста и экспериментов с рассуждениями.

72скачиваний за 30 дней3лайкавеса обновлены17 июн 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

HRM-MoE-0.6B — предобученная языковая модель Xiaoye08 на базе HRM-Text L с разреженной архитектурой Mixture-of-Experts. В каждом токене маршрутизатор выбирает 8 из 64 экспертов SwiGLU; активная ширина FFN соответствует плотной модели HRM-Text-0.6B. В README приведено 3,01 млрд общих параметров, тогда как метаданные Hugging Face указывают 183,2 млн; поэтому размер общего пула параметров требует уточнения. Модель принимает текст и генерирует продолжение; контекст — до 4096 токенов. Она ориентирована на английский язык и включает оценки на GSM8k, MATH и DROP.

Это базовая модель после четырёх эпох предобучения, до выравнивания: она не настроена на диалог или следование инструкциям. Для инференса используется архитектура Transformers `hrm_text_moe` с `trust_remote_code=True`; README рекомендует CUDA. По сравнению с плотной HRM-Text-0.6B в приведённых оценках модель показывает лучшие результаты на GSM8k, MATH и DROP, но эти бенчмарки не гарантируют точность ответов в других задачах. Лицензия — Apache-2.0.

Сценарии применения

  • эксперименты с генерацией текста на английском языке
  • оценка языковой модели на математических задачах GSM8k и MATH
  • исследование разреженной маршрутизации экспертов MoE
  • эксперименты с PrefixLM и генерацией с рассуждениями

Ограничения

Модель не настроена на диалог, следование инструкциям или безопасность; её предобучение ориентировано на английский язык, а ответы могут быть неточными, предвзятыми или небезопасными. README и метаданные расходятся в оценке общего числа параметров: 3,01 млрд в README и 183,2 млн в метаданных.

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

HRM-MoE-0.6B

HRM-MoE-0.6B is an active-matched sparse Mixture-of-Experts checkpoint built on the HRM-Text L backbone. It keeps the per-token active compute essentially equal to the dense HRM-Text-0.6B baseline, while increasing the total parameter pool with 64 routed SwiGLU experts.

This release is the epoch-4 pretrained L-MoE 64x8 checkpoint exported from the native FSDP2 training checkpoint into a single bf16 model.safetensors file. It is a pre-alignment base model, not a chat or instruction-following assistant.

Model Structure Comparison

Dense HRM-Text-0.6B

input tokens
  -> HRM H/L recurrent blocks
  -> dense SwiGLU FFN, intermediate width 3584
  -> all dense FFN parameters active for every token

HRM-MoE-0.6B

input tokens
  -> HRM H/L recurrent blocks
  -> router over 64 SwiGLU experts
  -> top-8 experts active per token, each expert width 448
  -> active FFN width = 8 x 448 = 3584
ModelTotal paramsActive params / tokenActive ratioFFN path
HRM-Text-0.6B dense694.7M694.7M100%dense SwiGLU, width 3584
HRM-MoE-0.6B 64x83.01B696.6M23.2%64 routed SwiGLU experts, top-8, width 448 each

The active FFN width is exactly matched to the dense L baseline. The sparse model therefore tests whether a larger expert pool improves quality without increasing the active per-token parameter budget.

Results vs HRM-Text-0.6B

The table below compares the epoch-4 native checkpoint evaluations for the dense L baseline and the active-matched L-MoE 64x8 checkpoint. Values are percentages.

BenchmarkMetricHRM-Text-0.6B dense e4HRM-MoE-0.6B e4Delta
GSM8kacc79.6183.62+4.01
MATHacc50.9655.50+4.54
DROPem74.2177.86+3.65
DROPf177.9481.47+3.53
MMLUacc53.7458.60+4.86
ARCacc76.3782.27+5.90
HellaSwagacc51.4865.58+14.10
Winograndeacc66.9370.32+3.39
BoolQacc84.5686.02+1.46
MMLU-Proacc28.2430.70+2.46
AIME25maj_pass@116.6716.67+0.00
AIME25maj_pass@1026.6726.67+0.00
AIME25maj_pass@10050.0050.00+0.00

Across the 10 Standard/MMLU-Pro metrics above, HRM-MoE-0.6B improves over the dense active-matched baseline by about +4.79 percentage points on average. AIME25 majority voting is roughly unchanged in this run.

Model Details

FieldValue
ArchitectureHRM-Text L backbone with sparse MoE FFN
Checkpointepoch 4 pretrained checkpoint
Formatbf16 model.safetensors
Total parameters3,008,759,040
Active parameters / token~696,648,960
Non-expert parameters366,347,520
Expert parameters2,642,411,520
Hidden size1280
Layers per H / L stack12
Total dense block count24
Attention heads10
H_cycles x L_cycles2 x 3
Max sequence length4096
Vocabulary65,536
Position encodingRoPE theta 10000
NormalizationParameterless Pre-RMSNorm
AttentionGated attention
MoE experts64
MoE top-k8
Expert intermediate size448
Active FFN width8 x 448 = 3584
Exported weightsEMA weights
dtypebfloat16

Usage

This checkpoint uses the custom hrm_text_moe architecture through Hugging Face trust_remote_code=True.

pip install --upgrade transformers safetensors accelerate
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_id = "Xiaoye08/HRM-MoE-0.6B"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    trust_remote_code=True,
    dtype=torch.bfloat16,
).cuda().eval()

# synth,cot composite: reasoning / CoT style.
condition = "<|quad_end|><|object_ref_end|>"
prompt = f"<|im_start|>{condition}Explain why the sky is blue.<|im_end|>"

inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
inputs["token_type_ids"] = torch.ones_like(inputs["input_ids"])

with torch.no_grad():
    out = model.generate(**inputs, max_new_tokens=256, do_sample=False)

print(tokenizer.decode(out[0], skip_special_tokens=False))

This mirrors the HRM-Text usage pattern. The extra trust_remote_code=True flag is required because hrm_text_moe is not yet a native Transformers architecture.

Prompt Format

HRM-Text and HRM-MoE use condition prefix tokens. Prompts should be rendered as:

<|im_start|><condition tokens>prompt text<|im_end|>

Common conditions:

ModeTokens
direct`<
cot`<
noisy`<
synth`<

For reasoning-style prompting, synth,cot maps to <|quad_end|><|object_ref_end|>.

PrefixLM Mask

The checkpoint was pretrained with the HRM-Text PrefixLM objective. For generation from a prompt, pass:

inputs["token_type_ids"] = torch.ones_like(inputs["input_ids"])

This marks the prompt as one bidirectional prefix block before autoregressive decoding.

Training Snapshot

  • 32 GPUs
  • 4 pretraining epochs
  • global batch size 172,032 tokens
  • learning rate 2.5e-4
  • bfloat16 forward/backward
  • EMA decay 0.9999
  • grouped Triton MoE expert kernels during training

Limitations

  • Pre-alignment base checkpoint, not a chat model.
  • Not instruction-tuned, RLHF-trained, or safety-aligned.
  • English-focused pretraining mixture.
  • Requires trust_remote_code=True; CUDA is strongly recommended for practical inference.
  • Outputs may be inaccurate, biased, or unsafe.

License

Apache License 2.0.

Citation

This model is derived from HRM-Text. If you use HRM-Text or HRM-MoE, please cite:

@misc{wang2026hrmtextefficientpretrainingscaling,
      title={HRM-Text: Efficient Pretraining Beyond Scaling},
      author={Guan Wang and Changling Liu and Chenyu Wang and Cai Zhou and Yuhao Sun and Yifei Wu and Shuai Zhen and Luca Scimeca and Yasin Abbasi Yadkori},
      year={2026},
      eprint={2605.20613},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2605.20613},
}

Upstream

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
HrmTextMoEForCausalLM
Ревизия весов
1734c20

0 моделей