/ Модель

Характеристики

Контекст
1 024 токена
Параметры
126 млн
Лицензия
Своя лицензия
Архитектура
llama · dense
Библиотека
transformers
Опубликована
10 июл 2026

slm-125m-base

Генерация текстаТекст → текст3 профессии

Небольшая англоязычная базовая модель семейства Llama для продолжения текста и экспериментов с языковым моделированием юридических материалов.

35скачиваний за 30 дней3лайкавеса обновлены11 июл 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

asinha08/slm-125m-base — базовая языковая модель, разработанная автором репозитория и обученная с нуля. Это плотная decoder-only causal LM семейства Llama с 125,8 млн параметров, реализованная для Transformers и доступная в формате safetensors. Модель предсказывает продолжение текста; она не настроена на выполнение инструкций и не является чат-ассистентом.

Модель предназначена для экспериментов с предобучением небольших языковых моделей, языкового моделирования юридических текстов, дообучения, оценки и генерации продолжений. Англоязычный обучающий корпус преимущественно состоит из судебных решений и документов SEC, с дополнительными образовательными веб-текстами. Контекст составляет 1 024 токена. Лицензия указана как other; условия лицензий исходных датасетов следует проверять отдельно.

Небольшой размер и отсутствие настройки на инструкции ограничивают качество ответов и применение вне обучающего распределения. В карточке приведена только внутренняя оценка perplexity, без результатов бенчмарков юридических задач. Модель может выдумывать факты и ссылки, поэтому её не следует использовать для юридических консультаций или решений с высокими последствиями без тщательной проверки.

Сценарии применения

  • генерация продолжения англоязычных юридических текстов
  • эксперименты с предобучением малых языковых моделей
  • дообучение на юридических и финансовых корпусах
  • оценка языкового моделирования по perplexity
  • тестирование конвейеров supervised fine-tuning

Ограничения

Модель не настроена на инструкции или диалог, имеет небольшой размер и не имеет опубликованных результатов по downstream-бенчмаркам. Она может генерировать юридически неверный текст и вымышленные ссылки; для юридических решений без тщательной проверки не подходит.

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

slm-125m-base

asinha08/slm-125m-base is a 125M parameter, Llama-compatible, decoder-only causal language model trained from scratch on a legal-first English corpus. It is a base language model, not an instruction-tuned or chat-aligned assistant.

Model Details

FieldValue
Repositoryasinha08/slm-125m-base
Project / Modal appslm125mLIVE
Model typeDecoder-only causal LM, Llama-compatible
Parameters125,848,320
Context length1,024 tokens
Vocabulary size16,384
TokenizerByte-level BPE trained from the final corpus
Hidden size768
Layers12
Attention heads12
KV heads12
Intermediate size3,072
Activationsilu / SwiGLU
Positional encodingRoPE, theta 10,000
NormRMSNorm, eps 1e-5
EmbeddingsTied input/output embeddings
Attention biasfalse
Saved formatsafetensors
Weight dtypebfloat16

Special tokens:

Token roleToken
BOS<|bos|>
EOS<|eos|>
PAD<|pad|>
UNK<|unk|>
Extra<|user|>, <|assistant|>, <|system|>

The extra chat-style tokens are present in the tokenizer, but the model was not instruction tuned.

Intended Use

This model is intended for:

  • Research on small language model pretraining.
  • Legal-domain language modeling experiments.
  • Continued pretraining, supervised fine-tuning, or evaluation pipelines.
  • Text continuation/completion tests.

This model is not intended for:

  • Legal advice or compliance decisions.
  • Production legal automation without task-specific evaluation and guardrails.
  • Chatbot use without instruction tuning and safety tuning.
  • Factual question answering where accuracy is required.

Training Data

The corpus was built from three public Hugging Face datasets with a legal-first mix:

SourceHF datasetKept docsProxy corpus tokensTokenized train tokensTokenized val tokensTokenized mix
Case lawHFforLegal/case-law206,684806,244,775714,858,4967,223,29635.06%
SEC filingsPleIAs/SEC45,0351,091,148,638860,025,8568,688,64042.18%
Web/educationHuggingFaceFW/fineweb-edu / sample-10BT418,405499,936,147464,188,4164,689,92022.76%
Total670,1242,397,329,5602,039,072,76820,601,856100.00%

Data processing included:

  • Basic line/document cleaning.
  • OCR/noise filtering for case-law data.
  • Exact duplicate removal.
  • MinHash near-duplicate removal.
  • Decontamination against held-out evaluation sources: coastalcph/lex_glue and casehold/casehold.
  • Byte-level BPE tokenizer training on the cleaned corpus.
  • Packed fixed-length token windows with sequence length 1,024.
  • Validation routing of every 100th packed window, giving an approximately 99/1 train/validation split.

Deduplication and decontamination summary:

SourceExact duplicates removedNear duplicates removedContaminated docs removed
Case law01,60624,002
SEC filings1,9890175
FineWeb-Edu6200

Training Procedure

Training ran on Modal using 8x H100 GPUs.

FieldValue
GPUs8 x H100
Precisionbfloat16 autocast
OptimizerAdamW
Learning rate6e-4
Minimum LR6e-5
Warmup tokens200,000,000
Weight decay0.1
Betas(0.9, 0.95)
Gradient clipping1.0
Micro batch size64 windows per GPU
World size8
Gradient accumulation1
Global batch tokens524,288
Steps per full epoch3,889
Train windows available1,991,282
Train windows consumed per epoch1,991,168
Tokens consumed per epoch2,038,956,032
Checkpoint intervalEvery 500 steps
Evaluation intervalEvery 1,000 steps and at epoch end
Seed1337

The model has completed 4 full training epochs over the packed train split.

Evaluation

Perplexity is computed as exp(validation_loss).

The reported validation metrics use 4,096 validation windows, or about 4.19M validation tokens, sampled from the internal packed validation split. The full validation split contains 20,119 windows, or 20,601,856 tokens.

EpochStatusEpoch tokensTotal tokens seenStepsValidation lossValidation perplexity
1Completed2.039B2.039B3,8893.373029.17
2Completed2.039B4.078B3,8892.998620.06
3Completed2.039B6.117B3,8892.854517.37
4Completed2.039B8.156B3,8892.776516.06

The latest completed evaluation is:

MetricValue
Validation loss2.7765
Validation perplexity16.06
Total tokens seen8,155,824,128

No downstream task benchmark results are reported yet.

Approximate Training Cost

Known pretraining cost by epoch:

EpochH100CPUMemoryTotal
1~$7.18Not recordedNot recorded~$7.18+
2~$9.60Not recordedNot recorded~$9.60+
3$10.18$0.25$0.33$10.76
4$11.02$0.27$0.36$11.65

Approximate known pretraining total: ~$39.19+. This excludes any unrecorded dataset preparation, storage, network, or earlier CPU-only costs.

Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "asinha08/slm-125m-base"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

prompt = "<|bos|>The plaintiff alleged that"
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

with torch.no_grad():
    output_ids = model.generate(
        **inputs,
        max_new_tokens=80,
        do_sample=True,
        temperature=0.8,
        top_p=0.95,
        eos_token_id=tokenizer.eos_token_id,
    )

print(tokenizer.decode(output_ids[0], skip_special_tokens=False))

Because this is a base model, prompts should be treated as text-completion prefixes. The tokenizer contains <|user|>, <|assistant|>, and <|system|> tokens, but the model has not been trained to follow chat instructions.

Limitations and Risks

  • The model is small and undertrained relative to modern production LLMs.
  • The model can hallucinate, fabricate citations, and produce legally incorrect text.
  • The model is not safe for legal advice, compliance review, contract review, court filings, or any high-stakes use without extensive validation.
  • The model was not instruction tuned, RLHF tuned, preference tuned, or safety aligned.
  • The training corpus is mostly legal/financial English text plus a smaller web-education slice; performance outside that distribution may be poor.
  • The model may reproduce biases, sensitive patterns, or memorized fragments from public data.
  • Evaluation currently reports only internal validation perplexity, not downstream legal-task accuracy.
  • Source datasets have their own licenses and use constraints; users should verify dataset licenses before commercial or redistributed use.

Reproducibility Notes

Main artifacts were stored on the Modal volume slm125mLIVE:

ArtifactPath
Cleaned data/data/clean
Deduplicated corpus/data/corpus
Tokenizer/data/tokenizer
Tokenized train/val windows/data/tokens
Checkpoints/data/checkpoints
Final base checkpoint/data/checkpoints/base

Latest training summary:

FieldValue
Statuscompleted
Steps3,889 / 3,889
Epoch base tokens6,116,868,096
Epoch tokens2,038,956,032
Total tokens seen8,155,824,128
World size8
Gradient accumulation1
Final checkpoint/data/checkpoints/ckpt.pt
Final model directory/data/checkpoints/base

Citation

No formal citation is available. If you use this model, cite the Hugging Face repository:

asinha08/slm-125m-base

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
a32614b

0 моделей