/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
145 млн
Лицензия
MIT
Архитектура
llama · dense
Библиотека
transformers
Опубликована
7 авг 2026

typakos-140m-base

Генерация текстаТекст → текст3 профессии

Небольшая базовая языковая модель Llama, обученная с нуля на греческих и английских текстах для продолжения текста и дальнейшей настройки.

39скачиваний за 30 дней0лайковвеса обновлены14 авг 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

Typakos-140M-base — двуязычная базовая языковая модель семейства Llama, разработанная Alex Liap и обученная с нуля. Она содержит 144,8 млн параметров, использует 18 слоёв и контекст до 2048 токенов. Обучение проведено на примерно 9,33 млрд токенов с примерно равной долей английского и греческого текстов; модель доступна в формате safetensors под лицензией MIT.

Модель предназначена для продолжения обычного текста, дальнейшего предобучения, тонкой настройки и исследовательских экспериментов. Это completion-only чекпойнт без шаблона чата и инструкционной настройки: его следует задавать как текстовое продолжение, а не использовать как готового диалогового ассистента. Токенизатор обучен на двуязычном корпусе; при генерации нужно учитывать, что его постпроцессор по умолчанию добавляет EOS в конец закодированного ввода, что может преждевременно завершить промпт.

В карточке приведены результаты бенчмарков, но они показывают заметный разрыв с SmolLM2-135M-8k на англоязычных тестах; автор связывает его в значительной мере с существенно меньшим объёмом обучения Typakos. Модель не предназначена для непосредственного развертывания в качестве помощника без дополнительной настройки.

Сценарии применения

  • продолжение греческого текста
  • продолжение английского текста
  • дальнейшее предобучение двуязычной языковой модели
  • тонкая настройка базовой модели под инструкции
  • эксперименты с компактными моделями Llama

Ограничения

Модель не проходила инструкционную настройку и не имеет шаблона чата, поэтому не подходит как готовый диалоговый ассистент. Контекст ограничен 2048 токенами, а результаты указанных бенчмарков уступают SmolLM2-135M-8k.

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

Typakos-140M-base

Typakos

The name "Typakos" comes from the Greek "Τυπάκος," meaning "small dude," a nod to the model's small (140M) parameter count.

Typakos-140M-base is a 140M-parameter bilingual (Greek/English) base language model with a Llama-family architecture and a 2048-token context length. It was trained from scratch (no warm start), full-parameter, on approximately 9.33B tokens split roughly 50/50 between English and Greek. This is a base, completion-only checkpoint: it has no chat template and has not undergone any instruction tuning, so it should be prompted as a plain text continuation model, not as a chat assistant.

The full training pipeline, code, and configs live in scripts/typakos_140m/ on GitHub.

Model Details

Model ConfigurationValue
Layers18
Hidden size768
Intermediate size1792
Attention heads12 (query) / 6 (KV, grouped-query attention)
Head dim64
Context length2048
Vocab size50,258
Tied embeddingsyes
Precisionbf16
Parameters~145M total, ~106M non-embedding

Tokenizer

A byte-level BPE tokenizer with 50,000 learned merges plus 256 byte tokens and 2 special tokens (<|begin_of_text|>, id 0; <|end_of_text|>, id 1, which also doubles as the pad token). The pre-tokenizer regex pipeline is structurally borrowed from Llama 3.2, but the vocabulary itself was trained from scratch on the bilingual corpus below.

The tokenizer's post-processor wraps every encode in <|begin_of_text|> ... <|end_of_text|> by default. This is convenient for training but wrong for a generation prompt (a trailing EOS tells the model the prompt is already a finished document). See the usage example below for how to bypass it.

Training Data

Sourced with a 50/50 English/Greek token target:

SourceRepoLanguage
fineweb_eduHuggingFaceFW/fineweb-eduen
fineweb_hq_elalexliap/high-quality-gr-textel
finewiki_elalexliap/high-quality-gr-textel
wikipedia_elalexliap/high-quality-gr-textel
synth_faqalexliap/greek-synth-v1el
synth_mathalexliap/greek-synth-v1el
synth_tablealexliap/greek-synth-v1el
synth_tutorialalexliap/greek-synth-v1el

Training Procedure

Training ConfigurationValue
GPUs8
Batch size16 sequences/GPU x 2048 tokens = 262,144 tokens/step
Gradient accumulation1
OptimizerAdamW, lr 2e-4, betas (0.9, 0.95), eps 1e-10, weight_decay 0.001
LR scheduleLinear warmup, 2000 steps
Tokens seen~9.33B (1 epoch, run stopped at corpus exhaustion)
Precisionbf16

Reproduction

All code, Hydra configs, and step-by-step reproduction commands (data download, tokenizer training, shard packing, and the training launch script) are in scripts/typakos_140m/ in the pretrain GitHub repo, under the README.md there:

  1. Environment setup and initial data pull (setup.sh)
  2. Train the bilingual BPE tokenizer (train_tokenizer.py)
  3. Measure bytes/token per source and derive the token mix plan (measure_token_rates.py)
  4. Download the full corpus per that plan (download_data.py)
  5. Mix sources into shuffled, proportional shards (concat_data.py)
  6. Tokenize and pack into 2048-token sequences (prepare_shards.py)
  7. Train (train.sh, pointed at configs/train.yaml)

How to Use

This is a base model, so prompt it with plain text and let it continue. Because the tokenizer auto-wraps every encode in BOS/EOS, use add_special_tokens=False and prepend BOS manually to avoid signaling a "finished document" to the model:

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "alexliap/typakos-140m-base"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)

prompt = "The history of Athens begins"
input_ids = tokenizer(
    tokenizer.bos_token + prompt, add_special_tokens=False, return_tensors="pt"
).input_ids

output = model.generate(input_ids, max_new_tokens=100, do_sample=True, temperature=0.7)
print(tokenizer.decode(output[0], skip_special_tokens=True))

Evaluation

Evaluated 0-shot with EleutherAI lm-evaluation-harness, except GSM8K at 5-shot, matching the shot conventions stated on the SmolLM2 model card.

BenchmarkTypakos-140M-baseSmolLM2-135M-8k
HellaSwag (acc_norm)26.542.1
ARC (avg acc_norm)28.343.9
PIQA (acc_norm)56.668.4
MMLU cloze (acc)23.431.5
CommonsenseQA (acc)19.633.9
TriviaQA (exact_match)0.04.1
Winogrande (acc)49.651.3
OpenBookQA (acc_norm)33.234.6
GSM8K 5-shot (exact_match)0.21.4

The gap to SmolLM2-135M-8k below is largely a training-budget gap, not an architecture gap: per its model card, SmolLM2-135M was pretrained on about 2T tokens, roughly 200 times the ~9.33B tokens Typakos-140M-base has seen, on a curated English-only mix (FineWeb-Edu, DCLM, The Stack, plus additional filtered sources). Typakos-140M-base is a single-stage, from-scratch run on a much smaller, bilingual (EN/EL) corpus, so it is comparable in size and architecture but not yet in data scale.

Greek Suite

Evaluated 0-shot on the ilsp_greek task suite (65 sub-tasks, including all 57 mmlu_greek subject splits). No SmolLM2 reference exists for these tasks, so they are reported standalone:

TaskTypakos-140M-base
arc_challenge_greek (acc)20.2
hellaswag_greek (acc)26.5
mmlu_greek (acc, 57 subj.)23.0
mgsm_direct_greek (exact_match)3.6
winogrande_greek (acc)49.7
truthfulqa_greek_mc1 (acc)23.9
truthfulqa_greek_mc2 (acc)44.5
medical_mcqa_greek (acc)15.3
mcqa_greek_asep (acc)18.3

medical_mcqa_greek and mcqa_greek_asep have no English-benchmark equivalent and are reported for completeness only. winogrande_greek uses a different task formulation than the English winogrande row above (full-candidate-sentence plausibility scoring rather than fill-in-the-blank), so the two are not directly comparable.

Limitations

  • It is a base, completion-only model with no instruction tuning or chat capability.
  • It is best suited for continued pretraining, fine-tuning, or research experimentation, not for direct deployment as an assistant.

License

MIT

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
66e2528

0 моделей