/ Модель

Характеристики

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

JugnuLM-110M-R4b

Генерация текстаТекст → текст3 профессии

Компактная англоязычная авторегрессионная модель на 109,7 млн параметров для генерации текста и исследования дистилляции логитов.

372скачиваний за 30 дней0лайковвеса обновлены13 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-R4b — компактная языковая модель автора altslate для генерации текста на английском языке. Это плотная авторегрессионная модель семейства JugnuVR с архитектурой на основе Qwen3: 23 слоя размерностью 576, GQA, RoPE, SwiGLU и RMSNorm. В модели 109,7 млн параметров, контекст — 2048 токенов; для загрузки через Transformers требуется разрешить выполнение удалённого кода.

Модель обучена с нуля на примерно 8,4 млрд токенов FineWeb-Edu и опубликована как исследовательская абляция по дистилляции логитов SmolLM2-1.7B. В R4b вес дистилляции уменьшен относительно R4a. По результатам оценки она вернула perplexity к уровню базовой R2, но уступила ей по BLiMP и ARC-Easy; автор рекомендует R2 или R4a для практического использования. Лицензия — Apache-2.0.

Сценарии применения

  • генерация продолжений английского текста
  • эксперименты с компактными языковыми моделями
  • сравнение стратегий дистилляции логитов
  • оценка языковой компетентности на BLiMP и ARC-Easy

Ограничения

Англоязычная исследовательская абляция: по BLiMP и ARC-Easy уступает базовой JugnuLM-110M-R2, и автор не рекомендует её для практического применения. Для загрузки 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-R4b (rebalanced logit distillation)

What "R4b" means. The rebalanced counterpart of JugnuLM-110M-R4a. Same offline top-16 logit distillation from SmolLM2-1.7B, but with the KD term dialed down to stop it dominating:

loss = α·CE + (1−α)·τ²·KL(student ‖ teacher_top16) + z-loss R4a: α=0.5, τ=2 (KD ≈4× CE) → R4b: α=0.7, τ=1 (KD ≈0.4× CE)

R4b was run to test whether a gentler KD keeps R4a's ARC-Easy gain without its perplexity collapse. It does not — an honest negative.

Result — the rebalance fixed perplexity but lost the ARC gain

110M rungBLiMP ↑ARC-Easy ↑WikiText-2 byte-ppl ↓
R2 — value residuals + Muon (base)80.7856.101.932
R4a — + KD, heavy (α=0.5, τ=2)80.3956.992.178
R4b — + KD, light (α=0.7, τ=1)79.3055.471.9165

R4b recovers R2-level perplexity (1.9165, best of the three), but ARC-Easy falls to 55.47 — below the no-KD R2 baseline (56.10) — and BLiMP drops to 79.30. So R4b is worse than R2 on BLiMP, ARC, and the blended efficiency score; it is not kept. Together R4a/R4b bracket a narrow, unfriendly KD operating point: heavy KD buys ARC but wrecks perplexity; light KD fixes perplexity but loses the ARC benefit. Offline logit KD from a 1.7B teacher (≈15× the student) did not yield a keepable win at this 8.4B-token scale.

Caveat / confound: R4a and R4b trained on the 6B-token KD region (the span with precomputed teacher logits), whereas R2 sampled the full ~10B FineWeb-Edu pool — so the KD runs saw less unique data, which likely contributed to R4b's BLiMP drop independent of the KD change. A fair KD comparison would precompute teacher logits over the full corpus. Evaluated with EleutherAI lm-evaluation-harness.

⚠️ Loading — requires trust_remote_code

from transformers import AutoModelForCausalLM, AutoTokenizer
tok = AutoTokenizer.from_pretrained("altslate/JugnuLM-110M-R4b")
model = AutoModelForCausalLM.from_pretrained("altslate/JugnuLM-110M-R4b", 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 R4a except the KD weights (α=0.7, τ=1): Qwen3-arch + value residuals, 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 over the 6B-token KD region, 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.

Intended use & limitations

Research base model, published as an ablation record. For actual use prefer JugnuLM-110M-R2 (better BLiMP + ARC) or R4a (best ARC-Easy). 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
ce85219

0 моделей