/ 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-init

Генерация текстаТекст → текст3 профессии

Экспериментальный исходный чекпойнт гибридной 7B-модели MiMo с Mamba2 для исследований и последующего выравнивания дистилляцией, не предназначенный для готового использования.

277скачиваний 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

arianraje подготовил экспериментальный стартовый чекпойнт MiMo-7B-Mamba2-Hybrid-Init: веса модели MiMo-7B-RL-0530 преобразованы в гибридную архитектуру с Mamba2 без последующего обучения. В модели сохраняется softmax-внимание в каждом четвёртом слое, а остальные 27 слоёв заменены на Mamba2. Это контрольный чекпойнт для измерений и исходная точка этапа выравнивания, а не готовая языковая модель для пользовательских задач: в README указаны нулевые результаты на приведённых тестах AIME.

Чекпойнт относится к исследованию восстановления возможностей гибридных моделей посредством поэтапной дистилляции. Он содержит 7 млрд параметров, поддерживает генерацию текста и диалоговый сценарий, а заявленная длина контекста составляет 65 536 токенов. Для загрузки используется Transformers с кодом архитектуры из репозитория; быстрый путь Mamba2 требует mamba-ssm, иначе доступна значительно более медленная и требовательная к памяти реализация. Лицензия — MIT.

Сценарии применения

  • исследование преобразования языковых моделей с полным вниманием в гибридные модели с Mamba2
  • измерение качества модели до этапов выравнивания и дистилляции
  • использование как исходной точки для этапа выравнивания скрытых состояний
  • сравнение гибридной архитектуры Mamba2 с вариантом Gated DeltaNet

Ограничения

README прямо указывает, что это неработоспособная как готовая языковая модель инициализация до обучения; в приведённых результатах AIME указаны нулевые оценки. Без mamba-ssm модель работает существенно медленнее и расходует больше памяти.

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

mimo-7b-mamba2-hybrid-init

Surgery/init checkpoint -- uniform 1:4 Mamba2 conversion of MiMo-7B-RL-0530 with plain weight inheritance, before any training. Not a usable language model: it is the input to stage-1 alignment and the control for every init-time measurement.

Measured

metricscore
AIME24 pass@1 (think)0.00
AIME24 pass@8 (think)0.00
AIME25 pass@1 (think)0.00
AIME25 pass@8 (think)0.00
MATH-500 (think)1.73
MATH-500 (no-think)1.40
GSM8K (no-think)1.14
MMLU (5-shot)25.65
PIQA51.58
HellaSwag26.16
ARC-Easy24.41
ARC-Challenge26.02
WinoGrande49.57
NIAH single @32K0.00
NIAH multiquery @32K0.00
NIAH multikey @32K0.00

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-init"
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
6dbf1e8

0 моделей