/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
53 млн
Лицензия
Apache 2.0
Архитектура
deepseek_v4 · dense
Базовая модель
nanowhale-100m-base
Библиотека
transformers
Опубликована
4 мая 2026

nanowhale-100m

Генерация текстаТекст → текст3 профессии

Небольшая дообученная чат-модель архитектуры DeepSeek-V4 для генерации текста и экспериментов с инструктивными моделями.

174скачиваний за 30 дней20лайковвеса обновлены5 мая 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

nanowhale-100m — компактная языковая модель для генерации текста и диалогов, разработанная cmpatino на основе архитектуры DeepSeek-V4. Она обучена с нуля: веса DeepSeek-V4 не использовались. Базовая модель прошла предварительное обучение на FineWeb-Edu, а эта версия дополнительно настроена на диалоговый набор Smol-SmolTalk для следования инструкциям. В метаданных указаны 53 млн параметров, контекст 2048 токенов и формат safetensors; README приводит оценку около 110 млн параметров и те же 2048 токенов контекста.

Модель принимает текст и генерирует текст. Она рассчитана на эксперименты с небольшими чат-моделями и изучение реализации DeepSeek-V4, а не на надёжное применение: автор предупреждает, что ответы часто бывают несвязными или фактически неверными из-за малого размера и ограниченного обучения. Для запуска требуется Transformers с trust_remote_code=True; README рекомендует fp32, поскольку архитектура Hyper-Connections может приводить к переполнению в bf16. Лицензия — Apache-2.0.

Сценарии применения

  • эксперименты с компактными чат-моделями
  • изучение архитектуры DeepSeek-V4 на небольшой модели
  • проверка генерации ответов на инструкции
  • создание учебных прототипов диалоговых приложений

Ограничения

Модель мала и ограниченно обучена; автор предупреждает, что генерации часто бывают несвязными или фактически неверными, поэтому она не подходит для производственного применения. Для запуска требуется trust_remote_code=True; README рекомендует fp32 из-за риска переполнения при использовании bf16.

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

nanowhale-100m 🐳

A small ~110M parameter language model implementing the DeepSeek-V4 architecture, fine-tuned for chat/instruction following. Trained from scratch — no weights from DeepSeek-V4 were used.

Architecture

This model implements key DeepSeek-V4 innovations at a miniature scale:

ComponentDetails
Parameters~110M total (41M embeddings, 69M non-embedding)
Hidden size320
Layers8
Attention heads8 (1 KV head — MQA-style)
MLAMulti-head Latent Attention with q_lora_rank=160
MoE4 routed experts + 1 shared, top-2 routing
Hyper-Connectionshc_mult=4, Sinkhorn routing (replacing residual connections)
MTP1 next-token prediction layer
Vocab129,280 (DeepSeek-V4 tokenizer)
Context2,048 tokens

Training

Stage 1: Pretraining

  • Dataset: HuggingFaceFW/fineweb-edu
  • Steps: 5,000 | Tokens: ~2.6B
  • Batch: 32 effective (8 × 4 GA) | Seq length: 2,048
  • LR: 6e-4, cosine, 3% warmup
  • Precision: bf16 mixed

Stage 2: SFT (this model)

  • Dataset: HuggingFaceTB/smol-smoltalk (460K conversations)
  • Steps: 3,000 | Tokens: ~72.7M
  • Batch: 32 effective (8 × 4 GA) | Seq length: 2,048
  • LR: 2e-5, cosine, 5% warmup
  • Precision: fp32

Metrics

MetricPretrainedSFT
Eval loss—2.607
Perplexity (held-out)13.6212.90
Token accuracy33.8%48.5%

Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "cmpatino/nanowhale-100m", trust_remote_code=True, dtype=torch.float32
).cuda().eval()
tokenizer = AutoTokenizer.from_pretrained("cmpatino/nanowhale-100m")

messages = [{"role": "user", "content": "What are 3 benefits of exercise?"}]
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
input_ids = tokenizer.encode(prompt, return_tensors="pt").cuda()
output = model.generate(input_ids, max_new_tokens=200, temperature=0.7, top_p=0.9,
                        pad_token_id=tokenizer.eos_token_id)
print(tokenizer.decode(output[0][input_ids.shape[1]:], skip_special_tokens=True))

Limitations

  • Tiny model: 110M params with 129K vocabulary — most capacity goes to embeddings. Generations are often incoherent or factually wrong.
  • Undertrained: Only 5K pretrain + 3K SFT steps. Production models train for 100K+ steps on trillions of tokens.
  • Educational purpose: This model demonstrates the DeepSeek-V4 architecture at small scale. It is not suitable for any production use.
  • fp32 recommended: The Hyper-Connections architecture can produce values that overflow bf16 range at this scale. Use dtype=torch.float32.
  • Custom code: Requires trust_remote_code=True.

Hardware

Trained on 1× NVIDIA H100 80GB.

License

Apache-2.0

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
DeepseekV4ForCausalLM
Ревизия весов
36dd12a

0 моделей