/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7 млрд
Размер весов
15,2 ГБ
Лицензия
MIT
Архитектура
qwen2 · dense
Базовая модель
MiMo-7B-Base
Библиотека
transformers
Опубликована
30 авг 2025

Koto-Small-7B-PT

Генерация текстаТекст → текст3 профессии

Дообученная 7-миллиардная модель Qwen2 для англоязычного продолжения творческих текстов и совместного написания прозы.

30скачиваний за 30 дней4лайкавеса обновлены1 сен 2025

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

Koto-Small-7B-PT — базовая языковая модель для продолжения текста, созданная allura-org на основе XiaomiMiMo/MiMo-7B-Base и дообученная примерно на миллиарде токенов творческого письма. Она предназначена для свободного текстового дополнения и совместного написания прозы; в карточке также перечислены анархистские тексты, книги из Project Gutenberg и рассказы, включая эротические, среди обучающих данных.

Модель имеет плотную архитектуру Qwen2 с 7 млрд параметров, работает через Transformers и принимает контекст до 32 768 токенов. Она рассчитана на англоязычное письмо и поддерживает генерацию текста. По README, инструкции и многошаговая ролевая игра в этой версии не работают: для RP и instruct-сценариев автор рекомендует отдельную Koto-Small-7B-IT. Веса доступны в формате safetensors по лицензии MIT.

Сценарии применения

  • продолжение начатого рассказа
  • совместное написание художественной прозы
  • генерация описаний и сюжетных сцен
  • создание англоязычных творческих черновиков

Ограничения

Модель рассчитана на продолжение сырого текста: следование инструкциям и многошаговая ролевая игра, согласно README, не работают. Обучающие данные включают эротические рассказы, что может отражаться на генерируемом содержании.

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

Koto Small 7B (Pretrained)

482629.png

Koto-Small-7B-PT is a version of MiMo-7B-Base trained on almost a billion tokens of creative writing data.

Please check out Aurore-Reveil/Koto-Small-7B-IT, it's the official RP and instruct tune!

Usage

This model is not intended for use outside of raw text completion settings, such as cowriting. Instruct will not work. Multi-turn roleplay will not work.

It was trained at 32k, but as not all samples were this long, we expect that in the best case you can get ~16k effective context.

We found that 1.25 temperature and 0.05 min_p worked best, but YMMV!

Datasets

Some of the data used to train this model includes:

  • Most of The Anarchist Library, a repository for anarchist manifestos and writing (see allura-org/the-anarchist-library)
  • A random sample of public domain books from Project Gutenberg
  • Furry (anthro and feral) storytelling and smut
  • A small subset of known high-quality books and story data

Acknowledgements

  • thank you to [unk] for drawing the art used in the model card!
  • thank you very much to mango/deltavector for providing the compute used to train this model
  • thanks to curse for testing, ideas
  • thanks to toasty for some data, ideas
  • thanks to everyone else in allura for moral support

ilya <3

Call for Help

if you would like to help build on this model (instruct/RP SFT, further annealing on higher quality data, etc)...
please join our discord or our matrix! <3

Technical Appendix

Training Notes

This model was trained over the course of ~18 hours on an A100 node. We used 8-bit AdamW and the Cosine LR scheduler, as well as both gradient clipping and weight decay for regularization. Before training, we converted the original model to the Qwen 2 architecture by removing the MTP weights and custom modelling code, and slightly modifying the config.json. This allowed us to use CCE and Liger which let the train go much faster than it would have otherwise.

We decided to keep the final model in the converted Qwen 2 format, as it is more supported by community software such as EXL2, EXL3, Aphrodite, etc, as well as the original architecture's MTP weights likely being much less effective after finetuning without them.

WandB

image/png

Finetuning Notes

This model has had ChatML tokens already added by Xiaomi. Please use this format when finetuning to ensure compatibility with the rest of the ecosystem.

Axolotl Config

## model
base_model: allura-forge/MiMo-7B-Base-Qwenified
trust_remote_code: true
## qlora COPE!!!
load_in_8bit: false
load_in_4bit: false
strict: false

## data 
datasets:
datasets:
  - path: estrogen/bookscpt2
    type: completion
    field: text

shuffle_merged_datasets: true
dataset_prepared_path: dataset_prepareds
val_set_size: 0.0
output_dir: ./MiMo-Pretrain

## Liger + CCE
plugins:
  - axolotl.integrations.liger.LigerPlugin
  - axolotl.integrations.cut_cross_entropy.CutCrossEntropyPlugin
liger_rope: true
liger_rms_norm: true
liger_layer_norm: true
liger_glu_activation: true
liger_fused_linear_cross_entropy: false
cut_cross_entropy: true

## CTX settings
sequence_len: 32768
sample_packing: true
eval_sample_packing: false
pad_to_sequence_len: true

## max grad norm
max_grad_norm: 1.0

## WandB
wandb_project: Koto-Small
wandb_entity:
wandb_watch:
wandb_name: MiMo-7b_1e-5_adamw-8bit
wandb_log_model:

## hoe params
gradient_accumulation_steps: 4 # ???
micro_batch_size: 4
num_epochs: 1
lr_scheduler: cosine
learning_rate: 1e-5
optimizer: adamw_bnb_8bit  # Options: "paged_ademamix_8bit", "adamw_bnb_8bit", "paged_adamw_8bit"
deepcompile: true
train_on_inputs: false
group_by_length: false
bf16: auto
fp16:
tf32: false

gradient_checkpointing: offload
early_stopping_patience:
resume_from_checkpoint:
local_rank:
logging_steps: 1
xformers_attention:
flash_attention: true
s2_attention:

warmup_steps: 50
saves_per_epoch: 2
debug:
deepspeed: ./deepspeed_configs/zero2.json
weight_decay: 0.0025
fsdp:
fsdp_config:

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
a43bf30

0 моделей