/ Модель

Характеристики

Контекст
65 536 токенов
Параметры
7 млрд
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
mimo_mamba3 · dense
Базовая модель
MiMo-7B-RL-0530
Библиотека
transformers
Опубликована
22 сен 2026

mimo-7b-mamba3-hybrid-stage3-opd-1000m-bias0

Генерация текстаТекст → текст3 профессии

Гибридная 7-миллиардная языковая модель MiMo и Mamba-3 после этапа on-policy дистилляции для генерации текста и диалоговых экспериментов.

328скачиваний за 30 дней0лайковвеса обновлены22 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 представил исследовательский чекпойнт третьего этапа on-policy distillation модели MiMo-7B-RL-0530 с гибридной архитектурой Mamba-3 и полными слоями внимания. Студент получен конвертацией базовой модели с чередованием 27 Mamba-3 MIMO-миксеров и 9 сохранённых слоёв внимания в стиле Qwen2; размер модели — 7 млрд параметров, контекст — до 65 536 токенов. На этапе OPD использовано около 1 млрд токенов: модель обучалась на собственных генерациях, а исходная MiMo-7B-RL-0530 выступала учителем, оценивая их с помощью обратной KL-дивергенции по токенам.

Чекпойнт предназначен для генерации текста и диалоговых экспериментов, в том числе для изучения дистилляции и гибридных Mamba-3 моделей. В карточке нет результатов последующей оценки качества. Для загрузки требуется включить trust_remote_code; ускоренная работа миксеров требует Mamba-3 MIMO-ядра TileLang/Triton, иначе используется медленная последовательная реализация на PyTorch. Веса опубликованы в формате bf16. Лицензия — Apache-2.0.

Сценарии применения

  • генерация ответов в диалоговом приложении
  • эксперименты с on-policy дистилляцией языковых моделей
  • сравнение гибридной Mamba-3 архитектуры с моделями на полном внимании
  • генерация длинных последовательностей до 65 536 токенов

Ограничения

Качество на прикладных задачах в карточке не оценено. Для быстрой работы требуется Mamba-3 MIMO-ядро; резервная реализация на PyTorch работает медленно, а для загрузки необходимо включить trust_remote_code.

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-mamba3-hybrid-stage3-opd-1000m-bias0

Stage-3 on-policy distillation (OPD) endpoint of the MiMo-7B-RL-0530 x Mamba-3 (MIMO) hybrid at 1.0B OPD tokens (WSD ladder rung wsd_mamba3_mimo_1000m_b200). The student is the uniform-1:4 Mamba-3 conversion of MiMo-7B-RL-0530 (27 Mamba-3 MIMO mixers, rank 4, the SAME mixer class as the Qwen3-4B arm; 9 retained Qwen2-style full-attention layers with their q/k/v biases; the converted layers' q/k/v biases are dropped and the B/C norms start at 1 since MiMo has no q/k norm); the teacher is the unmodified XiaomiMiMo/MiMo-7B-RL-0530, scoring the student's own rollouts with a per-token reverse KL over the full vocabulary. The stage-2b input of this ladder is the on-disk stage-2b checkpoint mimo-7b-mamba3-u4-stage2b-v0 (stage 1 -> 2a -> 2b on the MiMo memmaps: 100M align at micro_batch 4, 600M KD at 5e-5, 294M KD at 32k at 2.5e-5; not itself on the Hub). Read this arm DOWN the MiMo column (against MiMo GDN and MiMo Mamba2 at the same budget) and ACROSS the Mamba-3 row (against the Qwen3-4B Mamba-3 ladder, same mixer, other teacher). The ladder follows the MiMo column's recipe (flat LR 1e-5, max_seq 65536, frac_rug 0.20) with the Qwen ladder's sampler batch (256) from the 200M rung's second half on.

consumed OPD tokens1,000,106,637 (budget 1,000,000,000)
trainer step6092
rollout horizon at the end32768 tokens (horizon_max 32768)
LRflat 1e-05 (all params), linear decay over the last 482 x 131,072 = 63.2M tokens to 0
promptsstage3_prompts_v1 (OpenThoughts-114k-math + dolly-15k; frac_general 0.2, frac_rug 0.2)
samplervLLM (native Mamba-3 engine), temperature 1 / top-p 1, gen_batch 32
W&Baraje/mimo-mamba3-linearization run mimo-mamba3-wsd-1000m-b200-20260916
codeLinearization branch mimo-mamba3 @ 414ba55

Closing held-out val: see stage3_wsd_summary.json.

Model weights only (bf16, snapshots/final of the run; the pre-decay full-state branch point end-minus-0482 is not uploaded). No downstream evaluation is included; evals run elsewhere.

Loading

This is a custom container (model_type: mimo_mamba3), not a stock architecture, so trust_remote_code=True is required. The modeling code is bundled in this repo (modeling_qwen3_mamba3.py, modeling_mimo_mamba3.py; auto_map points at modeling_mimo_mamba3.py) and needs no other checkout:

from transformers import AutoModelForCausalLM, AutoTokenizer
m = AutoModelForCausalLM.from_pretrained("arianraje/mimo-7b-mamba3-hybrid-stage3-opd-1000m-bias0", trust_remote_code=True, dtype="bfloat16")
tok = AutoTokenizer.from_pretrained("arianraje/mimo-7b-mamba3-hybrid-stage3-opd-1000m-bias0")

Kernel. The mixers call upstream's fused Mamba-3 MIMO kernel (mamba_ssm.ops.tilelang.mamba3.mamba3_mimo) from state-spaces/mamba at commit e9594ce (TileLang + Triton; the pip mamba_ssm 2.2.6.post3 predates Mamba-3, so install from source). Without it the model warns once and every mixer runs the sequential fp32 torch reference: numerically equivalent, slow. For serving, the Linearization repo's src/models/vllm_mimo_mamba3.py is a native vLLM 0.11.2 implementation of this architecture.

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
MiMoMamba3ForCausalLM
Ревизия весов
b1675ec

0 моделей