/ Модель

Характеристики

Контекст
65 536 токенов
Параметры
7 млрд
Размер весов
16,6 ГБ
Лицензия
MIT
Архитектура
mimo_mamba2 · dense
Базовая модель
MiMo-7B-RL-0530
Библиотека
transformers
Опубликована
18 сен 2026

mimo-7b-mamba2-hybrid-1B-OPD

Генерация текстаТекст → текст4 профессии

Гибридная языковая модель на базе MiMo-7B-RL-0530 для диалоговой генерации текста и задач на рассуждение.

367скачиваний за 30 дней0лайковвеса обновлены18 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

MiMo-7B-Mamba2-Hybrid-1B-OPD — экспериментальный гибридный языковой чекпойнт от автора arianraje, созданный на основе XiaomiMiMo/MiMo-7B-RL-0530. Модель сохраняет softmax-внимание в каждом четвёртом слое, а в остальных 27 слоях использует Mamba2; её обучали поэтапной дистилляцией, включая on-policy этап с генерацией ответов учеником и оценкой их учителем. Размер модели — 7 млрд параметров, заявленная длина контекста — 65 536 токенов.

Модель предназначена для генерации текста в диалогах и решения задач на рассуждение. В README приведены результаты на AIME24 и AIME25, включая pass@1 и pass@8 для режима think. Для быстрой работы Mamba2 требуется пакет mamba-ssm; без него используется более медленная и требовательная к памяти реализация. Для загрузки через Transformers необходим параметр trust_remote_code=True. Модель распространяется по лицензии MIT.

Сценарии применения

  • генерация ответов в диалоге
  • пошаговое решение математических задач
  • проверка качества ответов на задачах AIME
  • генерация текста с длинным контекстом

Ограничения

Для быстрой работы Mamba2 требуется mamba-ssm; без него модель использует более медленную и требовательную к памяти реализацию. Загрузка через Transformers требует trust_remote_code=True.

Для каких профессий подходит4

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

mimo-7b-mamba2-hybrid-1B-OPD

Stage-3 on-policy distillation, 1B rung of the WSD ladder. The student generates; the teacher scores its own rollouts on reasoning traces. Warmup -> flat plateau -> linear decay, keyed on consumed tokens rather than steps, so each rung extends the previous one's pre-decay weights rather than restarting.

Measured

metricscore
AIME24 pass@1 (think)42.08
AIME24 pass@8 (think)73.33
AIME25 pass@1 (think)31.25
AIME25 pass@8 (think)50.00
MATH-500 (think)89.90
MATH-500 (no-think)62.85
GSM8K (no-think)69.30
MMLU (5-shot)48.24
PIQA71.11
HellaSwag56.38
ARC-Easy57.95
ARC-Challenge39.25
WinoGrande58.56
NIAH single @32K100.00
NIAH multiquery @32K100.00
NIAH multikey @32K89.00

About this arm

Part of a 2x2 study converting full-attention models into linear-attention hybrids (uniform 1:4 retention -- every 4th layer keeps softmax attention, the other 27 are replaced) and recovering capability by staged distillation rather than pretraining. This repo is the MiMo-7B-RL-0530 x Mamba2 cell; the matched MiMo x Gated DeltaNet cell is at arianraje/mimo-7b-gdn-hybrid-* and is directly comparable -- same teacher, same packed data, same token budgets, same schedules, differing only in the mixer.

Pipeline: surgery/init -> stage-1 hidden-state alignment (100M tok) -> stage-2a forward-KL KD @4k (600M tok) -> stage-2b long-context KD @32k (294M tok) -> stage-3 on-policy distillation, laddered 200M -> 400M -> 600M -> 800M -> 1B generated tokens.

Loading

The architecture is custom (model_type: mimo_mamba2). Remote code is included, so trust_remote_code=True is all that is needed:

from transformers import AutoTokenizer, AutoModelForCausalLM

repo = "arianraje/mimo-7b-mamba2-hybrid-1B-OPD"
tokenizer = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(
    repo, trust_remote_code=True, dtype="bfloat16", device_map="auto")

For vLLM serving, download the snapshot, put it on sys.path, and call register() from vllm_mimo_mamba2.py before constructing the engine.

Mamba2's fast path needs mamba-ssm. Without it is_fast_path_available is False and the mixer falls back to a materializing reference implementation: correct, but far slower and far more memory-hungry.

Evaluations

Compact raw evaluation JSONs are under evals/. *.generations.json dumps are deliberately excluded.

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
MiMoMamba2ForCausalLM
Ревизия весов
36d9a05

0 моделей