/ Модель

Характеристики

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

JugnuLM-110M-R2

Генерация текстаТекст → текст3 профессии

Англоязычная базовая модель на 109,7 млн параметров для продолжения текста и экспериментов с архитектурой value residuals и оптимизатором Muon.

101скачиваний за 30 дней0лайковвеса обновлены8 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-R2 — англоязычная базовая языковая модель от altslate, обученная с нуля для продолжения текста. Это второй этап серии абляций JugnuLM: по сравнению с R1 в ней используется оптимизатор Muon для скрытых матриц внимания и MLP, а для остальных параметров сохранён AdamW. Модель имеет плотную архитектуру на основе Qwen3 с 23 слоями и размером скрытого состояния 576, модифицированный путь внимания value residuals и около 109,7 млн параметров. Она принимает текст и генерирует текст; контекст — 2048 токенов.

Модель обучена примерно на 8,4 млрд токенов англоязычного набора FineWeb-Edu. В карточке приведены результаты сравнительных оценок на BLiMP, ARC-Easy и WikiText-2; R2 улучшает ARC-Easy и байтовую perplexity относительно предыдущих этапов, но немного уступает по BLiMP. Это базовый чекпойнт, не настроенный на инструкции: он подходит для экспериментов и генерации продолжений на английском, но имеет ограниченные способности к многошаговым рассуждениям и может повторяться. Для загрузки пользовательской архитектуры требуется `trust_remote_code=True`; лицензия — Apache-2.0.

Сценарии применения

  • генерация продолжения англоязычного текста
  • эксперименты с оптимизатором Muon на компактных языковых моделях
  • сравнение архитектур языковых моделей в абляционных исследованиях
  • оценка компактной языковой модели на англоязычных бенчмарках

Ограничения

Модель не настроена на выполнение инструкций, ограничена в многошаговых рассуждениях и иногда повторяет текст. Для корректной загрузки пользовательской архитектуры требуется `trust_remote_code=True`.

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-R2 (value residuals + Muon)

What "R2" means. This is rung 2 of the JugnuLM phase-2 ablation ladder. We take rung R1 — JugnuLM-110M-R1 (value residuals) — and add one change: we swap the optimizer to Muon for the 2D hidden matrices, holding everything else fixed (same value-residual architecture, data, tokens, schedule shape, batch, seed). The ladder keeps a lever only if it beats the previous rung. R2 does, so it's kept.

What changed: the Muon optimizer

R0 and R1 trained with AdamW on every parameter. R2 uses Muon — Newton-Schulz orthogonalized momentum updates — on the 2D hidden weight matrices (attention + MLP, 81.4M params), and keeps AdamW for the rest (tied embedding/head, RMSNorm gains, and the 22 value-residual vr_lambda scalars, 28.3M params). Muon's advantage is known to be largest at exactly this scale (sub-150M) and to shrink as models grow.

Both optimizers ride one shared cosine LR multiplier: Muon peak 2e-2, AdamW peak 1.5e-3, each annealed to 10% of peak.

Result vs the R1 and R0 rungs

110M rungBLiMP ↑ARC-Easy ↑WikiText-2 byte-ppl ↓
R0 — baseline81.2552.481.95
R1 — + value residuals81.1054.671.940
R2 — + Muon80.7856.101.932

Muon lifts ARC-Easy by +1.43 over R1 (54.67 → 56.10) and lowers perplexity, at a small BLiMP dip (−0.32, ~2× SE). Across the two ladder rungs ARC-Easy has climbed +3.6 (52.48 → 56.10) while BLiMP stayed ~flat — steadily closing the reasoning gap to the 125–143M leaderboard models. Evaluated with EleutherAI lm-evaluation-harness.

Training-efficiency note. Muon's convergence lead was largest early — val-perplexity was −26% vs R1 at step 1000 — and compressed to ~−1% by the end of the fixed 8.4B-token budget (the classic "Muon wins the sprint, converges toward AdamW" pattern). Notably, the downstream ARC gain persisted even as the final perplexity gap narrowed.

⚠️ 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-R2")
model = AutoModelForCausalLM.from_pretrained("altslate/JugnuLM-110M-R2", 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 architecture to R1: Qwen3-arch + value-residual pathway, 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 ~8.4B tokens of FineWeb-Edu (sample-10BT), shared cosine schedule (Muon 2e-2, AdamW 1.5e-3, → 10% floor), ~0.5M-token global batch, bf16, DDP on 4× RTX PRO 4500 Blackwell. Only the optimizer differs from R1.

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
5573ff6

0 моделей