/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
110 млн
Лицензия
Apache 2.0
Архитектура
jugnu_vr · dense
Библиотека
transformers
Опубликована
7 сен 2026

JugnuLM-110M-R1

Генерация текстаТекст → текст3 профессии

Экспериментальная англоязычная базовая модель на 109,7 млн параметров для продолжения текста и изучения value residuals в компактной архитектуре.

97скачиваний за 30 дней0лайковвеса обновлены7 сен 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

JugnuLM-110M-R1 — англоязычная базовая языковая модель от altslate, обученная с нуля для продолжения текста. Это экспериментальная ступень R1 в серии абляций JugnuLM: относительно базовой R0 добавлены value residuals — обучаемые связи, передающие значения из первого слоя внимания в последующие. Модель имеет плотную архитектуру на базе Qwen3 с 23 слоями и шириной 576, содержит 109,7 млн параметров и использует контекст до 2048 токенов. Обучена на примерно 8 млрд токенов FineWeb-Edu; для загрузки пользовательской архитектуры требуется trust_remote_code=True.

Модель подходит для генерации продолжения на английском и небольших языковых экспериментов. В оценке авторов R1 улучшила результат ARC-Easy относительно R0 при близких показателях BLiMP и немного меньшей перплексии, однако модель не дообучалась для следования инструкциям: многошаговые рассуждения ограничены, возможны повторы. Лицензия — Apache-2.0; автор не рекомендует модель для production.

Сценарии применения

  • генерация продолжения английского текста
  • эксперименты с компактными языковыми моделями
  • сравнение value residuals с базовой архитектурой
  • оценка языковой приемлемости на коротких примерах

Ограничения

Модель не настроена на выполнение инструкций, обладает ограниченными способностями к многошаговым рассуждениям и может повторяться. Автор не рекомендует её для production.

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

JugnuLM-110M-R1 (value residuals)

What "R1" means. This is rung 1 of the JugnuLM phase-2 ablation ladder. We take our honest 110M baseline — JugnuLM-110M (rung R0) — and add one architectural change, value residuals (ResFormer), holding everything else fixed (same data, tokens, schedule, batch, seed policy). The ladder keeps a lever only if it beats the previous rung. R1 does, so it's kept.

What value residuals are

Each attention layer's value gains a learned-gated residual from the first layer's value:

v_i = v_proj_i(x) + λ_i · v₀ (v₀ = layer-0 value; λ_i learned per layer)

This gives deep layers direct access to early-layer content (Zhou et al., Value Residual Learning, ACL 2025 — arXiv:2410.17897). The 22 learned gates converge to non-trivial values (range −2.5 to +3.2), i.e. the path is genuinely used.

Result vs the R0 baseline

110M variantBLiMP ↑ARC-Easy ↑WikiText-2 byte-ppl ↓
R0 — baseline81.2552.481.95
R1 — + value residuals81.1054.671.94

Value residuals lift ARC-Easy by +2.2 at a BLiMP tie (SE ≈ 0.14) and a slightly lower perplexity — recovering part of the reasoning gap to the 125–143M leaderboard models, at negligible parameter cost. Evaluated with EleutherAI lm-evaluation-harness.

⚠️ Loading — requires trust_remote_code

Value residuals are a custom attention pathway, so this model must be loaded with the included modeling file. Loading it as a stock Qwen3 silently drops the residual and understates quality.

from transformers import AutoModelForCausalLM, AutoTokenizer
tok = AutoTokenizer.from_pretrained("altslate/JugnuLM-110M-R1")
model = AutoModelForCausalLM.from_pretrained("altslate/JugnuLM-110M-R1", trust_remote_code=True)
ids = tok("The theory of relativity was developed by", return_tensors="pt").input_ids
print(tok.decode(model.generate(ids, max_new_tokens=30, repetition_penalty=1.3)[0], skip_special_tokens=True))

Architecture & training

Identical to R0 except the value-residual pathway: Qwen3-arch, 23 layers × 576, GQA 9/3, RoPE, SwiGLU, RMSNorm, QK-Norm, tied embeddings, SmolLM2 tokenizer (49,152), z-loss 1e-4. Trained from scratch on ~8B tokens of FineWeb-Edu (sample-10BT), cosine LR 1.5e-3→1.5e-4, ~0.5M-token global batch, bf16, DDP on 4× RTX PRO 4500 Blackwell.

Intended use & limitations

Research base model (not instruction-tuned). Fluent English continuation and reasonable recall for its size; limited multi-step reasoning, occasional repetition, English-only. Not for production.

Links

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
JugnuVRForCausalLM
Ревизия весов
8062e2e

0 моделей