/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
2,3 млрд
Лицензия
Apache 2.0
Архитектура
qwen3_moe · MoE
Библиотека
transformers
Опубликована
29 сен 2026

Apex-2-Base

Генерация текстаТекст → текст3 профессии

Базовая англоязычная MoE-модель YOON1v для генерации текста и кода, предназначенная для продолжения предобучения и тонкой настройки.

329скачиваний за 30 дней4лайкавеса обновлены29 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

Apex-2-Base — базовая языковая модель YOON1v, обученная с нуля на 86,5 млрд токенов как стартовая точка для дальнейшего предобучения и тонкой настройки. Это авторегрессионный декодерный Transformer с архитектурой Mixture of Experts: 32 слоя, 3,87 млрд параметров всего и 1,45 млрд активных на токен. Модель представлена в формате safetensors и совместима с Transformers и реализациями, поддерживающими Qwen3-MoE; лицензия — Apache-2.0.

Модель предназначена для генерации продолжений текста, в том числе кода, и для адаптации под прикладные задачи. Обучение охватывает английские веб-тексты, код, математику и другие открытые датасеты; в README приведены результаты тестов генерации кода. Контекст модели — 4096 токенов. Это базовая, а не чат-модель: она не настроена на следование инструкциям и не проходила настройку безопасности.

Основные ограничения — выраженная ориентация на английский язык, ограниченные знания о мире и слабая поддержка других языков. Для дальнейшего обучения авторы рекомендуют разогревать скорость обучения и смешивать новые данные с исходными, чтобы уменьшить забывание навыков.

Сценарии применения

  • генерация и продолжение английского текста
  • генерация фрагментов кода
  • оценка базовой модели в экспериментах с языковыми моделями
  • продолжение предобучения на собственном корпусе
  • тонкая настройка языковой модели под прикладную задачу

Ограничения

Модель англоязычная: поддержка других языков, включая корейский, слабая; знания о мире ограничены. Она не настроена на следование инструкциям, чат или безопасность, а контекст ограничен 4096 токенами.

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

Apex-2-Base

The base checkpoint of a Mixture-of-Experts LLM pretrained from scratch: 3.87B total / 1.45B active parameters, trained on 86.5B tokens. Released as a starting point for continued pretraining (CPT) and fine-tuning.

[!TIP] Ready for continued pretraining

  • Standard Qwen3MoeForCausalLM format. It loads and trains in transformers, vLLM and other tools that support Qwen3-MoE, with no trust_remote_code.
  • Full-precision fp32 weights, exactly as in the training checkpoint (no bf16 rounding). Checked against the training checkpoint: logits relative difference 9.3e-7, 100% next-token agreement.
  • All training settings are public: optimizer, LR schedule and the exact data mix. See the Continued pretraining guide below.
  • A pre-decay checkpoint at peak LR (stable-44500) is also available for WSD-style continuation.

Model details

DomainDatasetStage 1MainDecayTotalShare
WebFineWeb-Edu7.005.894.0916.9819.6%
WebDCLM-Baseline4.405.241.0210.6612.3%
WebFinePDFs (English)1.004.891.026.918.0%
CodeStarCoderData source code (15 languages + Markdown)3.2011.773.6818.6521.6%
CodeStarCoderData GitHub issues · Jupyter · commits0.600.871.022.492.9%
CodeOpenCoder FineWeb-Code0.601.48–2.082.4%
CodeOpenCoder Annealing (synthetic)–1.122.043.163.7%
CodeDolma 3 CraneCode (synthetic)–0.820.411.231.4%
MathFineMath 3+1.002.891.645.526.4%
MathInfiWebMath 3+0.601.670.823.083.6%
MathNemotron-CC-Math 4+–0.980.611.591.8%
CuratedCosmopedia v2 (synthetic textbooks)0.602.212.044.855.6%
CuratedpeS2o (scientific papers)0.404.540.825.766.7%
CuratedStackExchange–0.220.610.841.0%
CuratedWikipedia (English)0.600.730.611.942.2%
CuratedProject Gutenberg (English books)–0.75–0.750.9%
Total20.0046.0620.4586.51100%

In billions of tokens, computed from each stage's mixture weights (see Training data).

ArchitectureDecoder-only MoE Transformer, every layer MoE. GQA (16Q/4KV, head_dim 128) + QK-RMSNorm + RoPE (θ=10,000) + SwiGLU experts + RMSNorm, tied embeddings
Parameters3,869.1M total · 1,453.2M active per token (1,142.0M non-embedding active)
Layers · d_model32 · 2048
Experts16 per layer, top-4 routing with renormalized probabilities, expert width 1024
Router lossesload-balancing aux loss 0.01 (global-batch statistics) + router z-loss 1e-3
Context length4,096
TokenizerQwen3 tokenizer (vocab 151,936). eos <|endoftext|> (151643), no chat template
Weightsfp32 safetensors (15.5GB), per-expert keys
Pretraining54,250 steps · 86.5B tokens, 1M-token batches (4,096 × 256), attention masked at document boundaries. Parts trained with DiLoCo on 2× GH200

Usage (inference)

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("YOON1v/Apex-2-Base")
model = AutoModelForCausalLM.from_pretrained("YOON1v/Apex-2-Base", dtype=torch.bfloat16, device_map="cuda")

inputs = tokenizer("def is_prime(n: int) -> bool:\n", return_tensors="pt").to("cuda")
out = model.generate(**inputs, max_new_tokens=128, do_sample=False)
print(tokenizer.decode(out[0], skip_special_tokens=True))

vLLM: LLM(model="YOON1v/Apex-2-Base", dtype="bfloat16", max_model_len=4096)

This is a base model: it continues text and does not follow instructions or chat. For chat, use Apex-2.

Continued pretraining guide

Loading

import torch
from transformers import AutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained(
    "YOON1v/Apex-2-Base",
    dtype=torch.float32,        # keep the fp32 weights; train with bf16 autocast (mixed precision)
    output_router_logits=True,  # adds the expert load-balancing loss (off by default)
)
  • With output_router_logits=True, the load-balancing loss (router_aux_loss_coef=0.01) is added to the loss whenever labels are passed. Without it, routing can collapse onto a few experts.
  • The router z-loss (1e-3) used in pretraining is not part of the transformers implementation. Add it yourself if you need it.

Original training setup

OptimizerAdamW 8-bit (bitsandbytes, paged), β=(0.9, 0.95), eps 1e-8, weight decay 0.1
LR scheduleWSD: 1,000 warmup steps → constant peak 4e-4 (stable) → linear decay to 0 over the last 9,750 steps (20.4B tokens)
Gradient clipping1.0
Batch · sequence1,048,576 tokens (4,096 × 256)
LossCE + 0.01 × load-balancing + 1e-3 × router z-loss
Packing<|endoftext|> after every document, no attention across document boundaries

Recommendations

  • Re-warm the LR. This checkpoint has finished its decay (LR 0). Start CPT with a warmup and tune the peak LR at or below the original 4e-4.
  • Replay old data. Training only on new data can erode existing skills, code especially. Mixing in some of the original data (listed below) reduces forgetting.
  • Packing. If you pack several documents into one sequence, block attention across document boundaries (e.g. transformers DataCollatorWithFlattening + FlashAttention).
  • Context length. Trained at 4,096 tokens. Going longer needs changes such as a larger rope_theta.
  • Tokenizer. Use the default settings. transformers may suggest fix_mistral_regex=True; do not enable it, because it changes tokenization from what training used.
  • Special tokens. The embeddings of <|im_start|>, <|im_end|> and the other special tokens were barely trained during pretraining. Chat formatting is learned in SFT.

Intermediate checkpoint

revisionsteptokensstate
main54,25086.5Bdecay finished (LR 0). Final model
stable-4450044,50066.1Bbefore the decay, at peak LR (4e-4)

For WSD-style continuation, stable-44500 is the natural starting point: keep training on new data at the peak LR, then run your own decay whenever you choose.

model = AutoModelForCausalLM.from_pretrained("YOON1v/Apex-2-Base", revision="stable-44500", dtype=torch.float32)

Benchmarks

AreaBenchmarkstable 44,500final 54,250
CodeHumanEval (pass@1, greedy)22.036.6
CodeHumanEval+18.932.9
CodeMBPP41.054.8
CodeMBPP+34.746.3
MathGSM8K (8-shot CoT, flexible)10.215.1
KnowledgeMMLU (5-shot)25.328.2
CommonsenseHellaSwag (0-shot, acc_norm)56.960.8
CommonsenseARC-e (0-shot, acc_norm)61.866.7
CommonsenseARC-c (0-shot, acc_norm)35.539.7
CommonsensePIQA (0-shot, acc_norm)73.273.9
CommonsenseWinoGrande (0-shot)57.760.1
CommonsenseLAMBADA (0-shot)53.454.5

Measured by us with lm-eval 0.4.13 (HF, bf16) and EvalPlus 0.3.1 (vLLM, base prompt, greedy).

Compared with similar-size base models (official numbers; protocols differ, so this is a rough comparison):

ModelPretraining tokensHumanEval / +MBPP / +MMLUHellaSwag
Apex-2-Base0.087T36.6 / 32.954.8 / 46.328.260.8
Qwen2.5-1.5B18T37.2 / 32.960.2 / 49.660.967.9
Qwen2.5-Coder-1.5B5.5T43.9 / 36.669.2 / 58.653.661.8
Gemma-2-2B2T17.7 / –29.6 (3-shot) / –51.373.0 (10-shot)

With about 1/200 of the pretraining data, Apex-2-Base matches Qwen2.5-1.5B (18T tokens) on HumanEval+ (32.9). Knowledge (MMLU) and math still show the gap in pretraining scale.

Training data

Public datasets only. 86.5B tokens in three stages:

StageStepsTokensWeb / Code / Math / Curated (%)
Stage 10 → 19,07420.0B62 / 22 / 8 / 8
Main (stable)19,074 → 44,50046.1B34.8 / 34.9 / 12.0 / 18.4
Decay44,500 → 54,25020.4B30 / 35 / 15 / 20
Total86.5B39.9 / 31.9 / 11.8 / 16.3

Tokens trained per dataset: see the expandable table at the top of Model details.

LanguageTokens (B)Share of all tokens
Python4.645.4%
Java1.651.9%
TypeScript1.651.9%
Go1.591.8%
JavaScript1.581.8%
SQL1.081.3%
Markdown1.081.2%
C1.051.2%
C++0.981.1%
PHP0.810.9%
C#0.740.9%
Rust0.570.7%
Ruby0.420.5%
Kotlin0.330.4%
Scala0.260.3%
Shell0.220.3%
  • Token counts are computed from each stage's mixture weights. Every 4,096-token sequence was drawn from a source at random according to those weights, so actual amounts can differ by about 1%.
  • Documents that also appear in the stage 1 data were removed from the later corpus, and no source was used for more than one epoch, so no data was repeated.

Limitations

  • English-centric. Other languages, including Korean, barely work.
  • Limited world knowledge (MMLU ~28%).
  • As a base model it has no instruction following, chat ability or safety tuning.
  • 4,096-token context.

License

Apache 2.0. Each training dataset has its own license and terms (ODC-By, CC-BY, CC-BY-SA, the StarCoderData terms of use, NVIDIA data licenses, etc.); see the dataset pages.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3MoeForCausalLM
Ревизия весов
b9dc026

0 моделей