/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Apache 2.0
Архитектура
gpt2 · dense
Библиотека
safetensors
Опубликована
23 сен 2026

gpt2-124m-fineweb-edu

Генерация текстаТекст → текст3 профессии

Небольшая базовая GPT-2, обученная с нуля на FineWeb-Edu для исследований воспроизводимости, экспериментов и последующего дообучения.

672скачиваний за 30 дней0лайковвеса обновлены23 сен 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

cloudkites/gpt2-124m-fineweb-edu — базовая языковая модель GPT-2, обученная с нуля разработчиком cloudkites на 9,91 млрд токенов веб-текста FineWeb-Edu. Это исследовательский артефакт для проверки воспроизводимости предварительного обучения, экспериментов с дистилляцией и анализа поведения небольших языковых моделей, а также как основа для дообучения.

Модель содержит 124 475 904 параметра, имеет 12 слоёв, 12 голов внимания, размер скрытого состояния 768 и контекст до 1024 токенов. Она использует токенизатор GPT-2 byte-level BPE и распространяется в формате safetensors. Модель генерирует текст на английском языке; она не настроена на выполнение инструкций и не выровнена по предпочтениям пользователей.

В приведённом сравнении с эталонным запуском Karpathy llm.c модель воспроизводит близкие результаты: held-out loss 3,2598 и HellaSwag 0,3036. Авторы трактуют это как воспроизведение эталона, а не превосходство над ним. Модель может выдавать связный, но часто неверный текст и отражает смещения обучающего корпуса; перед применением требуется собственная оценка качества и меры безопасности. Лицензия — Apache-2.0.

Сценарии применения

  • проверка воспроизводимости предварительного обучения языковой модели
  • изучение поведения и представлений небольшой GPT-2
  • проведение экспериментов по дистилляции языковых моделей
  • дообучение базовой модели под конкретную задачу
  • генерация английского текста в исследовательских экспериментах

Ограничения

Модель не настроена на инструкции и не выровнена; её ответы часто бывают неверными и могут отражать смещения обучающего корпуса. Перед пользовательским применением нужны собственная оценка качества и меры безопасности.

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

GPT-2 124M, trained from scratch on FineWeb-Edu (10B tokens)

Open weights. A GPT-2 124M model pretrained from random initialisation, released so the result in our paper can be checked against the artefact that produced it.

Parameters124,475,904 (148 tensors)
ArchitectureGPT-2 124M: 12 layers, 12 heads, 768 hidden, 1024 context
TokenizerGPT-2 byte-level BPE (unchanged)
Vocabulary50,304 rows, of which the first 50,257 are scored
Training dataFineWeb-Edu, the ten-billion-token sample
Tokens seen9.91 B (18,865 optimizer steps x 525,312 tokens)
Precisionbfloat16 activations over float32 master weights
Released weightsfloat32
Held-out cross-entropy3.2598
HellaSwag (length-normalised)0.3036 (0.2895 unnormalised, 10,042 items)

What these numbers mean

The reference point is Karpathy's llm.c, which reports 3.29 held-out loss and 0.299 HellaSwag for the same model and corpus. This run lands at 3.2598 and 0.3036.

We read that as reproducing the reference, not as beating it. Our optimizer step is 525,312 tokens against the reference's 524,288 -- 0.195% more -- because a three-GPU arrangement cannot divide 524,288 into a whole number of sequences. Across an equal number of steps this run therefore saw slightly more data, which is the most likely explanation for a margin of that size.

eval_curve.json carries all 76 held-out evaluations, so the trajectory can be inspected rather than taken on trust.

Tensor names

Names follow llm.c's flat convention, not HuggingFace's:

wte                     [50304, 768]     token embedding (tied to the LM head)
wpe                     [1024, 768]      learned position embedding
h.<i>.ln_1.{weight,bias}
h.<i>.attn.c_attn.{weight,bias}          fused q,k,v
h.<i>.attn.c_proj.{weight,bias}
h.<i>.ln_2.{weight,bias}
h.<i>.mlp.c_fc.{weight,bias}
h.<i>.mlp.c_proj.{weight,bias}
ln_f.{weight,bias}

To load with HuggingFace transformers, prefix with transformer. and rename wte/wpe to transformer.wte.weight/transformer.wpe.weight. Reading the raw file needs nothing but safetensors:

from safetensors.torch import load_file
sd = load_file("model.safetensors")
print(len(sd), sum(t.numel() for t in sd.values()))   # 148 124475904

The vocabulary is padded from 50,257 to 50,304 so the head's matrix multiply is aligned. The padding rows are never scored and receive no gradient; if you compute perplexity over all 50,304 rows you will get a different number from ours.

Training framework

Trained with numbat, a machine-learning stack written in Zig with no third-party runtime dependencies. This repository contains weights, a metric file and this card only -- no framework source, and none is required to use the weights.

Intended use and limits

A 124M-parameter base language model trained on 9.91 B tokens of web text. It is a research artefact: useful for studying pretraining reproducibility, for distillation and probing experiments, and as a small base to fine-tune. It is not instruction-tuned, not aligned, and not filtered for safety. It will produce fluent text that is frequently wrong, and it reflects the biases of its corpus. Do not deploy it to end users without your own evaluation and safeguards.

Licence and attribution

Weights released under the Apache License 2.0.

  • Architecture follows OpenAI's GPT-2 (MIT-licensed reference implementation).
  • Trained on FineWeb-Edu (ODC-By 1.0), which governs the data; please honour its attribution terms if you redistribute derived datasets.
  • The reproduction target is llm.c (MIT).

Citation

@misc{cloudkites_gpt2_124m_fineweb_edu,
  title  = {GPT-2 124M trained from scratch on FineWeb-Edu},
  author = {Tran, Thang and Dang, Lan},
  year   = {2026},
  note   = {CloudKites AI Lab. Open weights, Apache-2.0.}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · safetensors

Можно запустить

Подбираем GPU…

Класс архитектуры
GPT2LMHeadModel
Ревизия весов
29d20b8

0 моделей