/ Модель

Характеристики

Параметры
9,7 млн
Лицензия
CC BY-NC 4.0
Архитектура
xpertgpt · dense
Библиотека
transformers
Опубликована
17 июл 2026

swi_glu_sw_64_16_8_4_xpert_gpt

Генерация текстаТекст → текст3 профессии

Компактная англоязычная MoE-модель для генерации текста и экспериментов с предобучением при ограниченном бюджете данных.

70скачиваний за 30 дней0лайковвеса обновлены24 авг 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

XpertGPT — компактная языковая модель с разреженной архитектурой Mixture of Experts, разработанная для соревнования BabyLM 2026 в треке Strict-Small с ограниченным бюджетом токенов. Эта версия использует SwiGLU в блоках экспертов, Expert Choice Routing и параллельную передачу информации MSIT. Внимание экспертов ограничено скользящими окнами размером 64, 16, 8 и 4 токена.

Модель содержит 9,7 млн параметров и предназначена для генерации текста и экспериментов с предобучением языковых моделей на небольших объёмах данных. В метаданных указан английский язык, библиотека Transformers и формат весов safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Сценарии применения

  • генерация коротких текстов на английском языке
  • эксперименты с предобучением языковых моделей на малых корпусах
  • изучение маршрутизации экспертов в компактных MoE-моделях

Ограничения

Контекст внимания экспертов ограничен скользящими окнами до 64 токенов, поэтому модель не предназначена для работы с длинным контекстом. Лицензия запрещает коммерческое использование.

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

XpertGPT (SwiGLU & Sliding Window 64, 16, 8, 4)

XpertGPT is a sparse Mixture of Experts (MoE) language model designed for data-efficient pretraining under the BabyLM 2026 challenge (Strict-Small 10M track). It leverages Parallelized Multi-Scale Information Transmission (MSIT) and Expert Choice Routing to maximize representational capacity within restricted token budgets.

This version implements SwiGLU Feed-Forward Networks across all global and parallel expert blocks, along with corrected LayerNorms, redundant residual removal, and sliding window attention sizes of [64, 16, 8, 4] tokens.


1. SwiGLU Feed-Forward Networks (FFN)

Instead of the standard Feed-Forward sequential structure (Linear -> GELU -> Linear), this model replaces FFN layers with the SwiGLU (Swish Gated Linear Unit) variant to improve model capacity and training stability:

$$\text{FFN}_{\text{SwiGLU}}(x) = \left(\text{Swish}(x W) \otimes x V\right) W_2$$

Where the Swish function is implemented using SiLU:

  • Gate Linear projections ($W$, $V$): Projects input dimension dim to hidden_dim.
  • Out Linear projection ($W_2$): Projects back to dim.
  • To maintain parameter counts equivalent to standard dim * 4 sequential FFNs, the hidden dimension is scaled to: $$\text{hidden_dim} = \text{round_to_multiple_of_8}\left(\frac{8}{3} \times \text{dim}\right)$$

2. Expert Sliding Window Layout

The four parallel MoE experts are configured with distinct sliding window attention constraints:

  • Expert 1: Window size 64 tokens
  • Expert 2: Window size 16 tokens
  • Expert 3: Window size 8 tokens
  • Expert 4: Window size 4 tokens

4. How to Load and Use Checkpoints (Bypass Retraining)

A. Loading the Final Model (main branch)

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "SRJ5035/sw_glu_sw_64_16_8_4_xpert_gpt",
    revision="main",
    trust_remote_code=True
).eval()

tokenizer = AutoTokenizer.from_pretrained(
    "SRJ5035/sw_glu_sw_64_16_8_4_xpert_gpt",
    revision="main"
)

B. Loading an Intermediate Milestone (e.g. chck_5M)

model_5m = AutoModelForCausalLM.from_pretrained(
    "SRJ5035/sw_glu_sw_64_16_8_4_xpert_gpt",
    revision="chck_5M",
    trust_remote_code=True
).eval()

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
XpertGPTForCausalLM
Ревизия весов
bbf0368

0 моделей