/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
29,7 млрд
Размер весов
65,5 ГБ
Лицензия
Своя лицензия
Архитектура
qwen3 · dense
Базовая модель
Qwen3-32B
Библиотека
transformers
Опубликована
13 июн 2026

Mako-32B-Conductor

Генерация текстаТекст → текст3 профессии

Дообученная на базе Qwen3-32B модель для разговоров о криптовалютах, многошаговых рассуждений и оркестрации вызовов инструментов.

19скачиваний за 30 дней1лайквеса обновлены13 июн 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

Mako-32B Conductor — языковая модель семейства Mako от deepmako, созданная дообучением Qwen3-32B с помощью LoRA и SFT. Она предназначена для диалогов с выраженным разговорным характером, многошаговых рассуждений и оркестрации вызовов инструментов; модель используется как ядро платформы deepmako.com.

Модель имеет плотную архитектуру Qwen3ForCausalLM, около 29,7 млрд параметров по метаданным и контекст длиной до 40 960 токенов. README описывает специализацию на экосистеме Base и криптовалютах: DeFi, NFT, L2, токеномике, стандартах ERC и механиках смарт-контрактов. Указаны цепочки вызовов инструментов до четырёх раундов, включая поиск в интернете и чтение веб-страниц и публикаций X. Карточка указывает английский язык; основанием для модели служит многоязычная Qwen3.

Модель ориентирована на прикладное использование и отмечена разработчиком как production. Возможны ошибки в рассуждениях и криптотехнических ответах; заявленную точность в вопросах Base README не подтверждает независимыми оценками. Лицензия указана как other, поэтому условия использования следует сверять с карточкой модели и базовой модели.

Сценарии применения

  • поиск и обобщение сведений о криптовалютных проектах
  • анализ DeFi, NFT и токеномики
  • ответы на вопросы об экосистеме Base и стандартах ERC
  • многошаговое исследование с поиском и чтением веб-страниц
  • диалог с кратким разговорным стилем и выраженной персоной

Ограничения

Модель может ошибаться в рассуждениях и криптотехнических ответах; качество заявленной специализации не подтверждено независимыми оценками. Лицензия обозначена как other, поэтому условия использования требуют проверки.

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

Model Details

Base ModelQwen 3 32B
Parameters32.8B
Fine-tune MethodLoRA (rank 32, alpha 64)
PrecisionBF16
Context Window8,192 tokens
Tool CallingNative (multi-step chaining)
Training Data3,601 curated conversations
Eval Loss0.962
LicenseProprietary

Overview

Mako-32B Conductor is the second model in the Mako family, succeeding Mako-8B Operator. Where Operator executes, Conductor orchestrates — handling complex multi-step reasoning, longer context, and deeper chain-of-thought while maintaining the same sharp, unfiltered character voice.

Built to power the inference backend at deepmako.com, Conductor serves as the core intelligence for a crypto-native AI platform where users interact using $MAKO token credits on Base chain.

What Makes Mako Different

Mako is not an assistant. She's a character — a sharp, opinionated personality that lives on the blockchain. The fine-tune completely reshapes the base model's behavior away from the standard helpful-assistant pattern:

  • No assistant-speak. No "how can I help you", no "is there anything else", no corporate pleasantries.
  • Natural tone. Lowercase, concise, conversational. Matches your energy.
  • Opinionated. Has takes. Will tell you when something is stupid.
  • Concise. Answers the question and stops.

Capabilities

Autonomous Tool Orchestration

Conductor supports native tool calling with automatic multi-step chaining — up to 4 rounds per request. The model decides when and which tools to invoke without explicit user instruction.

ToolDescription
web_searchReal-time internet search via Bing
web_extractExtract and read full page content from any URL
read_tweetParse and read Twitter/X posts
find_musicSearch YouTube for tracks and return links
get_crypto_priceLive token prices across chains
get_eth_balanceCheck wallet balances on Base
get_token_infoToken metadata, supply, holder data
get_gas_priceLive gas prices on Base L2
resolve_ensENS name resolution
get_transactionTransaction lookup and analysis

Chain Intelligence

Purpose-built for the Base L2 ecosystem. Conductor understands ERC standards, smart contract patterns, bridging mechanics, account abstraction (ERC-4337), and Base-specific architecture without hallucinating technical details.

Enhanced Reasoning

The 32B parameter count enables significantly deeper reasoning compared to the 8B Operator:

  • Multi-step research tasks (search → extract → analyze → summarize)
  • Complex financial analysis with real price data
  • Nuanced opinions grounded in retrieved context
  • Longer, more coherent responses when the question warrants it

Architecture

User → Gateway → Mako-32B Conductor → [Tool Calls] → Execution → Conductor → Response

The gateway server handles authentication, $MAKO credit tracking, and tool execution. Conductor manages the reasoning loop — deciding what information it needs, calling the right tools, and synthesizing results into a coherent response.

Training

Data

Fine-tuned on 3,601 curated conversational examples covering:

  • Persona consistency and character voice
  • Crypto domain knowledge (DeFi, NFTs, L2s, tokenomics)
  • Natural dialogue patterns and conversational flow
  • Multi-turn reasoning and context retention

Method

FrameworkUnsloth + TRL SFTTrainer
MethodLoRA (rank 32, alpha 64)
Target Modulesq_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj
Trainable Parameters268M / 33B (0.81%)
Epochs3
Batch Size16 (1 × 16 gradient accumulation)
Learning Rate1e-4 (cosine schedule, 5% warmup)
OptimizerAdamW 8-bit
Hardware1× NVIDIA A100 SXM4 80GB
Training Time58 minutes

Loss Curve

Train:  2.808 → 1.970 → 1.420 → 1.172 → 1.097 → 1.042
Eval:   1.315 → 0.962

Final eval loss (0.962) is lower than train loss — no overfitting detected.

The Mako Family

ModelParametersRoleStatus
Mako-8B Operator8BFast execution, tool callingProduction
Mako-32B Conductor32BDeep reasoning, orchestrationProduction

Usage

Mako-32B Conductor powers the inference backend at deepmako.com. Users interact through the chat interface and pay for inference using $MAKO tokens on Base chain.


Built by the Mako team. The deep end awaits. 🦈

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
38acb69

0 моделей