/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
1 млрд
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
30 сен 2026

L16-1.2B-400B

Генерация текстаТекст → текст3 профессии

Промежуточная базовая модель Qwen3 примерно на 1,16 млрд параметров для генерации текста на 16 языках, кроме английского.

894скачиваний за 30 дней0лайковвеса обновлены3 окт 2026

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

L16-1.2B-400B — это базовая языковая модель Amphora, обучаемая с нуля; опубликованный чекпойнт соответствует промежуточному этапу обучения. Модель имеет плотную архитектуру Qwen3 с 18 слоями и примерно 1,16 млрд параметров. Контекст составляет 4096 токенов, токенизатор SentencePiece BPE содержит 65 536 токенов и рассчитан на 16 языков.

Модель предназначена для продолжения текста и генерации на русском, испанском, китайском, индонезийском, корейском, японском, турецком, персидском, немецком, венгерском, арабском, вьетнамском, финском, греческом, тайском и хинди. Текущий опубликованный чекпойнт обучен на 200 млрд токенов из запланированных 400 млрд; обучение продолжается, и в README ожидают улучшения после снижения скорости обучения. Это базовая модель без дообучения на инструкциях и без настройки безопасности; английский в обучающую смесь не входил. Репозиторий содержит веса Safetensors, библиотека использования — Transformers. Лицензия в предоставленных данных не указана.

Сценарии применения

  • продолжение текста на русском языке
  • генерация текста на испанском и других поддерживаемых языках
  • эксперименты с многоязычными языковыми моделями
  • исследование промежуточных чекпойнтов предобучения
  • адаптация базовой модели под прикладные задачи

Ограничения

Это промежуточный чекпойнт из фазы обучения с постоянной скоростью обучения, без финального снижения скорости; дальнейшее обучение может заметно улучшить его. Модель не обучена следовать инструкциям и не проходила настройку безопасности, а английский язык не входил в обучающие данные.

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

L16-1.2B-400B (training in progress)

A 1.16B-parameter base language model, pretrained from scratch on 16 languages with no English. The run targets 400B tokens. Checkpoints are published as training goes on.

This is an intermediate checkpoint. main currently holds step 96,880 = 200.0B tokens, taken while the learning rate is still at its peak, before the final cooldown. Expect it to improve a lot, especially after the cooldown that starts at 360B tokens.

revisionsteptokensheld-out val loss*
step096880-200B (= main)96,880200.0B2.232 (eval at step 96,500)
step072660-150B72,660150.0B2.245 (eval at step 72,500)
step048440-100B48,440100.0B2.264 (eval at step 48,500)
step024220-50B24,22050.0B2.318 (eval at step 24,000)

*The val loss is per token of this model's own tokenizer, measured on a held-out 10M-token validation set (625k tokens per language) with document masking. It is not comparable with other tokenizers.

Languages

Russian, Spanish, Chinese (Simplified), Indonesian, Korean, Japanese, Turkish, Persian, German, Hungarian, Arabic, Vietnamese, Finnish, Greek, Thai and Hindi. The training mixture has 25B tokens per language and contains no English.

Model

  • Architecture: Qwen3 decoder, the Marin delphi 1.4B configuration: 18 layers, hidden 1792, 14 heads (MHA, head_dim 128), MLP 7168, QK-norm, RoPE θ = 500k, context 4096, untied embeddings.
  • Tokenizer: amphora/L16-V65536-chat-tokenizer.
    • 65,536-token SentencePiece BPE for the 16 languages.
    • Includes the Llama-3 chat special tokens.
    • The vocab size gives 1.16B params, against 1.4B with the Llama-3 vocab.

Training

OptimizerMuonH (Muon, Polar Express orthogonalization, hyperball weight norm) at lr 3.5e-3 for weight matrices; AdamW at lr 8.4e-4 for embeddings, head and norms; no weight decay
LookaheadEMA-Nesterov (β = 0.6) during the stable phase
Schedulewarmup-stable-decay: 500 warmup steps, constant LR, then a 1-sqrt cooldown over the last 10% (from 360B tokens)
Batch504 × 4096 = 2.06M tokens per step, 193,752 steps (399.98B tokens)
Precisionbf16 autocast, FP8 (tensorwise) for MLP and attention projections, fp32 master weights
Data handlingdocument-boundary attention masking; a single shuffled pass, so no token is repeated
Hardware6 × H200; 8 × H200 from step 92,000 (same global batch)

The peak LR comes from a sweep on the same 400B schedule, early-stopped at 9B tokens with a 1-sqrt decay to 10B. The sweep's best, 1e-2, was then lowered for the 400B horizon, following LR ∝ tokens^-0.3.

Training code: github.com/guijinSON/delphi-pretrain.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer
repo = "amphora/L16-1.2B-400B"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, revision="step096880-200B", dtype="bfloat16")
ids = tok("대한민국의 수도는", return_tensors="pt")
print(tok.decode(model.generate(**ids, max_new_tokens=20)[0]))

The tokenizer adds no BOS token. During training each document was its tokens followed by </s>.

Limitations

  • This is a base model: no instruction tuning and no safety tuning.
  • It is not trained on English.
  • Intermediate checkpoints come from the constant-LR phase and are not annealed.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
588c279

0 моделей