/ Модель

Характеристики

Контекст
8 192 токена
Параметры
69,2 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
SmolLM2-70M
Библиотека
transformers
Опубликована
2 мар 2026

SmolLM2-70M

Генерация текстаТекст → текст3 профессии

Компактная англоязычная языковая модель для генерации текстовых продолжений, дообученная на образовательных данных Sutra-10B.

541скачиваний за 30 дней3лайкавеса обновлены8 мар 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

codelion/SmolLM2-70M — базовая языковая модель, дообученная на образовательном наборе данных Sutra-10B. Её представил разработчик codelion. Модель построена на архитектуре LlamaForCausalLM и содержит 69,2 млн параметров; обучение продолжалось три эпохи, около 30,6 млрд токенов. Весы доступны в формате safetensors, для работы предусмотрена библиотека Transformers.

Модель предназначена для генерации продолжений текста, прежде всего на английском языке и в образовательном контексте. Она не настроена на выполнение инструкций и не рассчитана на диалоговые ответы. Контекстное окно составляет 8192 токена. Результаты бенчмарков показывают, что качество ограничено ёмкостью модели такого размера, а дополнительное обучение даёт лишь небольшое улучшение прикладных показателей.

Лицензия — Apache-2.0. Модель подходит для экспериментов и компактных сценариев генерации, но её небольшое число параметров и отсутствие настройки на инструкции ограничивают сложные задачи и использование в роли чат-ассистента.

Сценарии применения

  • генерация продолжений образовательных текстов на английском языке
  • эксперименты с предобучением компактных языковых моделей
  • сравнение влияния качества данных на обучение малых языковых моделей

Ограничения

Модель содержит 69,2 млн параметров и ограничена ёмкостью этого размера; она не настроена на инструкции и не предназначена для диалоговых ответов. Обучалась преимущественно на англоязычных образовательных материалах.

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

SmolLM2-70M

A SmolLM2-70M model pretrained on the Sutra-10B pedagogical dataset for 3 epochs (~30.6B tokens total). This model demonstrates that a 69M parameter model can be trained to near-capacity performance using dense, curated educational data.

Model Details

PropertyValue
ArchitectureLlamaForCausalLM
Parameters69.2M
Hidden Size384
Layers32
Attention Heads6 (2 KV heads)
Context Length8,192
Vocabulary49,152
Precisionbfloat16
Base ModelSmolLM2-70M
Training DatasetSutra-10B (10.2B tokens)

Training

The model was trained for 3 epochs on the Sutra-10B dataset using a single NVIDIA L40S GPU (46GB). This checkpoint is the best perplexity checkpoint from epoch 3.

EpochTokensTraining TimeLearning RateBest Perplexity
110.2B25.82h3e-4 → 3e-539.50
210.2B25.78h1e-4 → 1e-537.81
310.2B26.16h3e-5 → 3e-637.72
Total30.6B77.76h—37.72

Training configuration:

  • Optimizer: AdamW (fused), weight decay 0.1
  • Schedule: Cosine with warmup
  • Batch size: 4 per device, gradient accumulation 8 (effective ~262K tokens/step)
  • Sequence length: 8,192
  • Flash Attention 2, TF32 matmul, torch.compile
  • Throughput: ~110K tokens/sec

Benchmark Results

All benchmarks evaluated using lm-evaluation-harness v0.4.11. All tasks are 0-shot except GSM8K (5-shot).

This Model vs Training Progression

BenchmarkE3-bestE3-finalE2-bestE2-finalE1-final
ARC-Easy33.0033.1632.8333.1233.46
ARC-Challenge22.3521.6722.6122.4422.44
BoolQ39.6639.6639.7939.5439.79
HellaSwag26.1426.0326.0825.9126.03
PIQA54.8455.0154.2454.1354.62
SciQ45.2046.3044.1045.5043.60
WinoGrande50.0449.3350.5148.7048.78
TruthfulQA48.0247.9348.3048.1448.30
GSM8K0.530.610.680.830.15
MMLU22.9622.8723.0022.9822.99
OpenBookQA27.6027.60———
Average (10)34.2734.2634.2134.1334.02

Comparison with 1B Token Baselines (SmolLM2-70M)

These are results from training the same SmolLM2-70M model on various 1B-token datasets from the Pre-training Dataset Samples collection for 1 epoch, showing that Sutra-10B at 3 epochs achieves the highest performance for this model size.

Dataset (1B tokens)HellaSwagPIQAWinoGrandeARC-CMMLUTruthfulQAGSM8KAvg
Sutra-10B (3 epochs)26.1454.8450.0422.3522.9648.020.5334.27
Sutra-1B25.4353.8649.4123.0422.9149.091.1432.13
FineWiki-1B25.5651.6948.8624.1523.3451.160.9132.24
FinePDFs-1B25.5852.5650.5122.4422.9551.411.2132.38
DCLM-Baseline-1B25.8555.1750.2021.0822.9749.210.6832.16
FineWeb-Edu-1B25.7255.1150.3621.2522.9648.111.2132.10
Essential-Web-1B26.0255.4448.3020.9922.9549.591.2932.08
Synth-1B26.6350.9848.7821.9323.2447.101.2931.42

Key Findings

  1. Capacity ceiling: The 70M parameter model reaches its capacity ceiling at approximately 10B tokens. Additional epochs (up to 30.6B total tokens) yield only marginal improvements in benchmark scores (+0.25 average from epoch 1 to epoch 3), despite continued perplexity improvement (39.50 → 37.72).

  2. Perplexity vs benchmarks: Perplexity continues to decrease across epochs, but downstream benchmark performance plateaus, suggesting the model's representational capacity is the bottleneck rather than data exposure.

  3. Data quality matters: Even at 1B tokens, Sutra outperforms or matches larger web-crawled datasets (DCLM, FineWeb-Edu, Essential-Web) on average, demonstrating the value of curated pedagogical content.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("codelion/SmolLM2-70M", trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained("codelion/SmolLM2-70M")

input_text = "The theory of relativity states that"
inputs = tokenizer(input_text, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=100)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Limitations

  • This is a 69M parameter base model (not instruction-tuned) — it generates completions, not conversational responses
  • Performance is at the capacity ceiling for this model size; larger models would benefit more from the Sutra-10B dataset
  • The model was trained primarily on English educational content

Related Resources

  • Dataset: codelion/sutra-10B — 10B token pedagogical pretraining dataset
  • Sutra Framework: Generates structured educational content optimized for LLM pretraining

Citation

@article{sharma2026sutra,
  title={Scaling Pedagogical Pretraining: From Optimal Mixing to 10 Billion Tokens},
  author={Sharma, Asankhaya},
  year={2026},
  url={https://huggingface.co/blog/codelion/scaling-pedagogical-pretraining-10-billion-tokens}
}

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
LlamaForCausalLM
Ревизия весов
285b36e

0 моделей