/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
34,8 млн
Лицензия
Apache 2.0
Архитектура
hanforge · dense
Библиотека
transformers
Опубликована
8 мая 2026

HanForge-base

Генерация текстаТекст → текст

Небольшая корейская базовая языковая модель для продолжения текста, исследований и дообучения под профильные задачи.

251скачиваний за 30 дней1лайквеса обновлены6 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

HanForge 35M (Korean Base) — базовая причинно-языковая модель, разработанная drlee1 и обученная с нуля на корейском корпусе объёмом 467 млн токенов. Она предназначена для продолжения обучения на корейских задачах, генерации продолжения текста и учебных экспериментов с небольшими языковыми моделями. Архитектура — декодер в стиле Llama с RMSNorm, RoPE и Grouped-Query Attention; модель содержит 34,8 млн параметров, использует контекст до 4096 токенов и доступна в формате safetensors для Transformers.

Модель обучена на корейской Википедии, корейской части FineWeb-2 и образовательном веб-корпусе korean-webtext-edu. Она не настроена на инструкции и не предназначена для прямого общения с пользователем: качество рассуждений, фактическая точность и связность длинного текста ограничены малым размером, а предварительное обучение охватывает только корейский язык. Веб-данные могут содержать предвзятость; специальная фильтрация безопасности и выравнивание не проводились. Лицензия — Apache-2.0.

Сценарии применения

  • дообучение на корейских задачах классификации текста
  • продолжение и генерация корейского текста
  • изучение устройства небольших языковых моделей
  • эксперименты с предварительным обучением и языковым моделированием на корейском

Ограничения

Модель мала и не выровнена: ограничены рассуждения, фактическая точность и связность длинных ответов; она не обучена следованию инструкциям и не предназначена для прямого производственного применения без дообучения и проверки безопасности. Предобучение охватывает корейский язык, а веб-данные могут содержать предвзятость.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

HanForge 35M (Korean Base)

HanForge 35M is a small Korean causal language model pretrained from scratch on a 467M-token Korean corpus on a single MacBook. It is a research-friendly base model for downstream fine-tuning. The model is not instruction-tuned; see drlee1/HanForge-47M-SFT for the chat model.

Updated 2026-10-06. modeling_hanforge.py now computes the rotary position encoding on every forward pass. With the previous code, transformers 5 left it uninitialized after from_pretrained. The weights are unchanged. See Changelog.

Model Details

ArchitectureLlama-style decoder (RMSNorm, RoPE, Grouped-Query Attention)
Parameters34.84M (output layer tied to the embedding; the file stores it separately, 47.13M tensors in total)
Hidden size512
Layers8
Attention heads8 (KV heads: 2, GQA)
Intermediate size1408
Max position4096 (RoPE θ = 50000)
Vocab size24,000
TokenizerSentencePiece BPE, Korean-optimized (~2.17 chars/token)

Intended Use

This model is intended for:

  • Continued fine-tuning on Korean downstream tasks (instruction tuning, classification, etc.)
  • Korean text continuation and language modeling research
  • Educational use: exploring small language model training on a single language

It is not intended for:

  • Direct chat or instruction following (use the fine-tuned variant)
  • Production text generation without further training and safety review
  • Tasks requiring factual accuracy, reasoning, or multilingual capability

Training Data

A 467M-token Korean corpus drawn from three publicly available sources:

SourceDescription
Wikipedia (Korean)Encyclopedic articles, factual prose
FineWeb-2 (Korean subset)Filtered Korean web text
korean-webtext-eduEducational Korean web content

The corpus was deduplicated, length-filtered, and tokenized with a Korean-optimized SentencePiece BPE (24k vocab) trained on the same data.

Training Procedure

Steps6,000
Tokens seenabout 393M (0.84 epoch of the 467M-token corpus)
Batch size (effective)32 sequences × 2,048 tokens (8 × 4 gradient accumulation)
Sequence length2,048
OptimizerAdamW (β1 = 0.9, β2 = 0.999, weight decay 0.1)
Learning rate6e-4 peak, cosine schedule, 300 warmup steps
Precisionbf16 mixed precision
HardwareMacBook Pro M5 Pro 48GB (MPS), about 14 hours

Evaluation

MetricValue
Held-out perplexity (512 pretraining samples, end of training)47.19
Grammar minimal pairs (51 pairs, length-normalized log-likelihood)98.0% (50/51)

The minimal-pair accuracy was measured on 2026-10-06 with the fixed modeling code. An earlier figure of 60.8% was measured while the rotary position encoding was broken and is withdrawn.

Limitations and Bias

  • Small scale (35M): limited reasoning, factual accuracy, and long-form coherence
  • Single-language pretrain: no English or other language capability
  • Web-derived data: may reflect biases present in Korean web text; no explicit safety filtering was applied
  • Short pretrain: about 393M tokens, roughly 11 times the parameter count, well below modern practice

This model has not been aligned, RLHF'd, or safety-tuned. Do not deploy in user-facing applications without further training and review.

Changelog

2026-10-06: modeling_hanforge.py computes the rotary frequencies (inv_freq) from the config on every forward pass. Under transformers 5, from_pretrained left this non-persistent buffer uninitialized (zeros or arbitrary values), so position information was missing or random. Weights are unchanged. The model card numbers were corrected against the training logs (sequence length, batch, learning rate, tokens seen, perplexity).

2026-05-08: initial release.

License

Released under the Apache License 2.0. The underlying pretraining corpora are subject to their own licenses.

Citation

@misc{hanforge_base_2026,
  author = {DongRyeol Lee},
  title  = {HanForge 35M: A Small Korean Language Model Pretrained from Scratch},
  year   = {2026},
  note   = {Pretrained on a 467M-token Korean corpus with a 24k SentencePiece BPE tokenizer}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
HanForgeForCausalLM
Ревизия весов
d5603a3

0 моделей