/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
340 млн
Лицензия
Своя лицензия
Архитектура
llama · dense
Библиотека
transformers
Опубликована
12 авг 2026

CascaMini-350M-C24-CoreMix-v1-15B-VO-Muon-v1

Генерация текстаТекст → текст3 профессии

Небольшая базовая языковая модель CascaMini для генерации текста, исследований и экспериментов по дообучению.

14скачиваний за 30 дней0лайковвеса обновлены13 авг 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

CascaMini-350M-C24-CoreMix-v1-15B-VO-Muon-v1 — базовая языковая модель на 339,7 млн параметров, созданная с нуля разработчиками CascaMini и опубликованная в формате Transformers LlamaForCausalLM. Модель обучалась на 15 млрд токенов и предназначена для исследований небольших языковых моделей, воспроизводимых оценок и экспериментов по дообучению и адаптации. Это не чат-ассистент и не модель, настроенная на выполнение инструкций.

Модель принимает текст и генерирует продолжение. Она использует 24 слоя декодера, размер скрытого состояния 1024 и контекст длиной 2048 токенов; токенизатор основан на словаре SmolLM2-49K. В обучающую смесь вошли образовательные веб-материалы, энциклопедические тексты, научные публикации и другие источники. Карточка приводит метрики валидации, но не заявляет результаты стандартного набора прикладных тестов.

Известные ограничения включают повторение фраз при длинной генерации, галлюцинации, возможное воспроизведение фрагментов обучающих данных и слабое следование инструкциям. Лицензия указана как other; карточка описывает несколько классов лицензий в обучающих данных и отсылает к материалам об атрибуции и условиях выпуска, поэтому условия использования следует проверять по этим документам.

Сценарии применения

  • исследование поведения небольших языковых моделей
  • оценка продолжения текста на корпусах общего назначения
  • эксперименты с дообучением базовой модели
  • воспроизведение результатов обучения на 15 млрд токенов
  • изучение влияния данных и оптимизатора на качество генерации

Ограничения

Модель не настроена на выполнение инструкций и может плохо отвечать на запросы; при длинной генерации у неё отмечено повторение текста. Она может галлюцинировать, воспроизводить фрагменты обучающих данных и выдавать предвзятый или нежелательный текст.

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

CascaMini-350M-C24-CoreMix-v1-15B-VO-Muon-v1

CascaMini-350M-C24 is a 339,788,800-parameter base language model trained from scratch for 15,000,010,752 tokens.

This is the first production CascaMini-350M release. It is a pretrained base model, not an instruction-tuned or chat-aligned assistant.

Model summary

PropertyValue
Parameters339,788,800
Decoder layers24
Hidden size1,024
Query heads16
KV heads4
Head dimension64
SwiGLU intermediate3,072
Context length2,048
Vocabulary49,152
RoPE theta10,000
Embedding / LM headtied
Bias / dropoutno / 0
Architecture familyLlama-style decoder-only

The Hugging Face repository is a parity-checked conversion of the accepted custom CascaMini release to standard Transformers LlamaForCausalLM format.

Tokenizer

The model uses the SmolLM2-49K / cosmo2-tokenizer vocabulary.

The original tokenizer vocabulary and merges are retained. The Hugging Face model_max_length metadata is set to 2,048 to match the model's actual trained context length.

Training

Data mixture — CascaMini-CoreMix-v1 / M3

SourceWeight
FineWeb-Edu55.00%
Wikimedia / Wikipedia10.00%
peS2O8.00%
arXiv5.00%
Stack v2 code12.00%
Math StackExchange5.00%
LibreTexts0.75%
Pressbooks2.00%
OER Commons0.75%
DOAB0.50%
Structured Stack v21.00%

The CoreMix source documents were filtered and materialised before training. The final training sampler used the frozen M3 source weights above.

See TRAINING_DATA_AND_ATTRIBUTION.md for the retained source revisions, licence/provenance audit, and third-party data notes.

Optimizer

The production optimizer was VO Muon: Muon applied only to the attention value and output projection matrices, with auxiliary AdamW for the remaining parameters.

Muon:

  • peak LR: 0.0025
  • minimum LR: 0.00025
  • cosine schedule
  • warmup: 0
  • momentum: 0.95
  • Newton-Schulz iterations: 5
  • Muon weight decay: 0

Auxiliary AdamW:

  • peak LR: 2e-4
  • minimum LR: 2e-5
  • warmup: 100 steps
  • weight decay: 0.1
  • betas: (0.9, 0.95)
  • eps: 1e-8

Training used 8 GPUs, BF16, context length 2,048, and 65,536 tokens per global update.

Reported training throughput was approximately 512,637 tokens/s and the trainer-reported elapsed time was approximately 9.31 hours.

Final evaluation

The final checkpoint was also the best fixed-validation checkpoint.

MetricFinal value
Final validation loss2.806850
FineWeb BPB0.88373602
CoreMix raw-weighted BPB0.79967575
All raw-weighted BPB0.80351910
M3 source-weighted BPB0.83542681

Per-source BPB

SourceBPB
FineWeb-Edu0.883736
Wikimedia0.906903
peS2O0.802241
arXiv0.809891
Stack v2 code0.573321
Math StackExchange0.879759
LibreTexts0.651555
Pressbooks0.856434
OER Commons0.740656
DOAB0.817797
Structured Stack v20.956214

3B -> 15B scaling

Using the same production-selected VO-Muon recipe:

Metric~3B15BChange
M3 weighted BPB0.8943230.835427-6.59%
FineWeb BPB0.9394070.883736-5.93%
Validation loss2.9927832.806850improved
L24 residual RMS11.30214.982increased

Repetition stress tests

Long continuation repetition remains the clearest known weakness.

Generation moderepeat2
Greedy0.814915
Sampled (temperature 0.8, top-k 50, top-p 0.95, RP 1.05)0.196018
Showcase (temperature 0.65, top-k 40, top-p 0.90, RP 1.08)0.332300
Sampled RP 1.120.106421

These are deliberately long-generation stress diagnostics, not downstream task scores.

No standard downstream benchmark suite is claimed in this release yet.

Geometry diagnostics

Final diagnostic values:

  • L24 residual RMS: 14.9823
  • logit RMS: 6.4040
  • mean Q stable rank: 18.28
  • mean K stable rank: 13.75
  • mean V stable rank: 76.87
  • mean O stable rank: 123.80

The VO-Muon training line remained numerically stable through the full 15B schedule.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = "beardymcgee/CascaMini-350M-C24-CoreMix-v1-15B-VO-Muon-v1"

tokenizer = AutoTokenizer.from_pretrained(repo_id)
model = AutoModelForCausalLM.from_pretrained(
    repo_id,
    device_map="auto",
)

prompt = "The most important property of a reproducible scientific experiment is"
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

output = model.generate(
    **inputs,
    max_new_tokens=96,
    do_sample=True,
    temperature=0.8,
    top_k=50,
    top_p=0.95,
    repetition_penalty=1.05,
)

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

For raw greedy decoding:

output = model.generate(
    **inputs,
    max_new_tokens=64,
    do_sample=False,
)

Intended use

This release is intended for:

  • language-model research;
  • evaluation and reproducibility work;
  • fine-tuning / adaptation experiments;
  • studying small-model data, optimizer, and scaling behaviour.

It is not presented as a factual authority, safety-aligned assistant, or production decision system.

Limitations

This is a small base model. It can:

  • hallucinate or state false information confidently;
  • repeat phrases or enter repetitive continuation patterns;
  • generate biased, offensive, unsafe, or otherwise undesirable text;
  • reproduce fragments resembling training material;
  • perform poorly on tasks requiring knowledge or reasoning beyond its scale;
  • fail to follow instructions because it was not instruction-tuned.

The long-generation repetition measurements above are published explicitly because repetition remains a known weakness of this model family.

Training-data provenance and licensing

The canonical CoreMix JSONLs retained licence_evidence_mode and licence_fields for 100% of the 6,699,937 CoreMix training records audited for this release.

The corpus nevertheless contains multiple third-party licence classes, including CC BY, CC BY-SA, public-domain/CC0/GFDL material, and source code under many permissive SPDX licences. FineWeb-Edu is tracked separately through its upstream dataset terms.

For that reason this model card uses:

license: other

rather than implying that one simple permissive licence accurately describes all provenance and downstream rights questions associated with the release.

See MODEL_RELEASE_NOTICE.md and TRAINING_DATA_AND_ATTRIBUTION.md.

No training dataset is redistributed in this model repository.

Release integrity

Original accepted release identity:

CascaMini-350M-C24-CoreMix-v1-15B-VO-Muon-v1

Original accepted model_state.pt SHA-256:

4e40cca125c8fb4b866632708af5e0d5862cf66413bbbeb0a31c6a0385b30d65

The original release passed:

  • strict state-dict loading;
  • exact 339,788,800 parameter count;
  • tied embedding/head verification;
  • local tokenizer loading;
  • deterministic independent cold loads;
  • logit fingerprint matching.

The Hugging Face conversion additionally passed original-vs-standard-Llama logit parity and a fresh local AutoModelForCausalLM.from_pretrained() load.

Project status

This is the frozen 350M first-production release. Future CascaMini work may use larger or more diverse data corpora, but those are separate experimental lineages and do not change this release.

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
798bf7d

0 моделей