/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
152 млн
Архитектура
a2d-gpt-neox · dense
Базовая модель
pythia-160m
Библиотека
transformers
Опубликована
19 мая 2026

a2d-gpt-neox-160M

Генерация текстаТекст → текст3 профессии

Англоязычная GPT-NeoX-модель на основе Pythia-160M, преобразованная в MLM diffusion-архитектуру для генерации текста и исследований языковых моделей.

92скачиваний за 30 дней1лайквеса обновлены20 мая 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

a2d-gpt-neox-160M — англоязычная базовая языковая модель примерно на 151,9 млн параметров, созданная на основе EleutherAI Pythia-160M. Это decoder-only Transformer семейства GPT-NeoX, преобразованный из авторегрессионной модели в архитектуру masked language modeling diffusion; веса представлены в формате safetensors и рассчитаны на контекст до 2048 токенов. Модель дообучали на подвыборке FineWeb-Edu объёмом около 3 млрд токенов с masked causal language modeling objective; она не проходила supervised fine-tuning или instruction tuning.

Модель предназначена для исследований преобразования авторегрессионных моделей в diffusion-модели, продолженного предобучения и экспериментов по адаптации к предметной области и анализу масштабирования. Её можно использовать для генерации продолжения текста и изучения поведения гибридных MLM diffusion-моделей. Для прямого развёртывания, диалогов и выполнения инструкций она не предназначена. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация продолжения англоязычного текста
  • исследование преобразования авторегрессионных моделей в diffusion-модели
  • эксперименты с masked language modeling
  • продолженное предобучение языковой модели
  • адаптация модели к предметной области
  • анализ масштабирования гибридных MLM diffusion-моделей

Ограничения

Это базовая модель без supervised fine-tuning и instruction tuning, поэтому она не рассчитана на чат и выполнение инструкций. README также не рекомендует её для прямого развёртывания.

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

a2d-gpt-neox-160M

Base autoregressive → MLM diffusion models derived from the EleutherAI Pythia family.
These are base models only (no supervised fine-tuning / instruction tuning).

Model description

  • Model type: Decoder-only Transformer converted to Masked Language Modeling (MLM) diffusion architecture
  • Base architecture: Pythia (GPT-NeoX)

Variants

SizeHF BaseCheckpointTotal ParamsNon-embedding ParamsTokens seen (pretrain)Tokens / Param
70MEleutherAI/pythia-70mstep 51270.4M18.9M~1.07B~15 + continued
160MEleutherAI/pythia-160mstep 1000~162M~125M~2.1B~13 + continued
410MEleutherAI/pythia-410mstep 3000405.3M~350M~6.29B~15.5 + continued

Original Pythia pretraining & checkpoint selection (EleutherAI):
All models were initialized from Pythia checkpoints selected according to Chinchilla scaling laws (Hoffmann et al., 2022) targeting ~15 tokens per parameter (slightly undertrained regime) for consistency across the model family.

  • Dataset: The Pile
  • Total tokens in Pythia run: 299.9B
  • Checkpoint interval: every 2,097,152 tokens (~2M batch size)

Selected checkpoints:

  • 70M: step 512 (~1.07B tokens, ~15 tok/param)
  • 160M: step 1000 (~2.1B tokens, ~13 tok/param)
  • 410M: step 3000 (~6.29B tokens, ~15.5 tok/param)

Intended uses & limitations

  • Research on autoregressive-to-diffusion conversion
  • Continued pre-training and domain adaptation experiments
  • Analysis of scaling behavior in hybrid MLM diffusion models
  • Not intended for direct deployment or chat/instruction use (base models only)

Training and evaluation data

Continued pre-training: All models were further trained on the same subset of ~3B tokens sampled from FineWeb-Edu using (masked) causal language modeling objective.

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.001
  • train_batch_size: 64
  • eval_batch_size: 64
  • seed: 46
  • optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.85,0.94) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_steps: 468
  • training_steps: 4687

How to Get Started with the Model

Use the following code to get started with the model:

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "avgJo3/a2d-gpt-neox-160M"  # or 70m / 160m variant
revision = "main"  # or specific checkpoint tag if uploaded separately

model = AutoModelForCausalLM.from_pretrained(
    model_name, 
    revision=revision, 
    trust_remote_code=True
)
tokenizer = AutoTokenizer.from_pretrained(
    model_name, 
    revision=revision, 
    trust_remote_code=True
)

Framework versions

  • Transformers 5.0.0
  • Pytorch 2.10.0+cu128
  • Datasets 4.8.5
  • Tokenizers 0.22.2

Citation

@article{biderman2023pythia,
  title={Pythia: A Suite for Analyzing Large Language Models Across Training and Scaling},
  author={Biderman, Stella and others},
  journal={ICML},
  year={2023}
}

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
A2DGPTNeoXForCausalLM
Ревизия весов
3265b34

0 моделей