/ Модель

Характеристики

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

JugnuLM-110M-R3

Генерация текстаТекст → текст3 профессии

Компактная базовая англоязычная модель altslate для генерации текста и экспериментов с архитектурой value residuals и обучающими данными.

81скачиваний за 30 дней0лайковвеса обновлены9 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-R3 — компактная языковая модель семейства JugnuVR, разработанная altslate и обученная с нуля как третья ступень исследовательской абляции JugnuLM. Это базовая, не дообученная для инструкций модель на 109,7 млн параметров с архитектурой на основе Qwen3: 23 слоя, ширина 576, GQA, RoPE, SwiGLU и пользовательский путь value residuals. Для загрузки этого пути требуется включить trust_remote_code; стандартная загрузка как обычной Qwen3-модели его не учитывает.

Модель предназначена для генерации английского текста и экспериментов с языковым моделированием. Она обучена примерно на 8,4 млрд токенов смеси FineWeb-Edu (55%), DCLM-baseline (35%) и FineMath-4plus (10%); контекст — 2048 токенов. По результатам авторской оценки R3 показала лучшие среди ступеней серии грамматические результаты BLiMP и перплексию WikiText-2, но уступила R2 на ARC-Easy и не была оставлена в основной абляционной линейке.

Модель может быть полезна для исследования небольших языковых моделей и генерации связного английского текста. Она не является чат-моделью или моделью для следования инструкциям; README отмечает эпизодические повторы и более слабое рассуждение ARC-Easy по сравнению с R1/R2, а также не рекомендует промышленное применение. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • генерация продолжений английского текста
  • эксперименты с компактными языковыми моделями
  • оценка языковой беглости и грамматики
  • сравнение влияния смесей обучающих данных
  • исследование перплексии языковой модели

Ограничения

Модель не дообучена для инструкций и не предназначена для промышленного применения; возможны повторы, а результат ARC-Easy ниже, чем у R1 и R2. Для корректной загрузки пользовательского пути value residuals требуется trust_remote_code.

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-R3 (value residuals + Muon + data blend)

What "R3" means. This is rung 3 of the JugnuLM phase-2 ablation ladder. We take rung R2 — JugnuLM-110M-R2 (value residuals + Muon) — and change one thing: the training data. Instead of single-source FineWeb-Edu, R3 trains on a blend (per-sequence weighted mix), holding architecture, optimizer, schedule, tokens, batch, and seed fixed.

What changed: the data blend

sourceweightrole
FineWeb-Edu (sample-10BT)55%language + general knowledge
DCLM-baseline35%diversity → broader distribution
FineMath-4plus10%light math reasoning

Sequences are drawn per-step from a weighted-random source (a shuffled blend, not a staged curriculum). Validation stayed a fixed FineWeb-Edu held-out set for comparable curves.

Result — an honest negative for ARC

110M rungBLiMP ↑ARC-Easy ↑WikiText-2 byte-ppl ↓
R0 — baseline81.2552.481.95
R1 — + value residuals81.1054.671.94
R2 — + Muon80.7856.101.932
R3 — + data blend81.7953.621.9092

R3 has the best BLiMP and best perplexity of any rung — but ARC-Easy dropped −2.48 vs R2 (56.10 → 53.62). Since ARC-Easy is our binding constraint, R3 is not kept in the ladder (it does not beat R2 on the metric that gates leaderboard rank; its EFF is marginally below R2's). We publish it anyway, as the ablation result and as our strongest grammar/perplexity checkpoint.

Why the blend helped BLiMP/perplexity but hurt ARC

FineWeb-Edu's educational-quality filtering is closely aligned with ARC-Easy's grade-school science questions. Diluting it 100% → 55% with general web text (DCLM) and math (FineMath) improved broad language modeling (grammar, perplexity) but removed ARC-relevant educational signal — DCLM is diverse but less science-dense, and FineMath targets math reasoning, not ARC science. The lesson: at this scale, for ARC-Easy the educational distribution matters more than raw diversity. 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-R3")
model = AutoModelForCausalLM.from_pretrained("altslate/JugnuLM-110M-R3", 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/optimizer to R2 (value residuals + Muon): 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 ~8.4B tokens of the 55/35/10 blend above, Muon (peak 2e-2) + AdamW (1.5e-3) on a shared cosine, ~0.5M-token global batch, bf16, DDP on 4× RTX PRO 4500 Blackwell. Only the data differs from R2.

Intended use & limitations

Research base model (not instruction-tuned). Best-in-family English fluency/grammar and lowest perplexity, but weaker ARC-Easy reasoning than R1/R2. 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
ecdb951

0 моделей