/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Apache 2.0
Базовая модель
ShallowSeek-mini-base
Опубликована
1 окт 2026

ShallowSeek-mini-it

Генерация текстаТекст → текст3 профессии

Компактная англоязычная чат-модель, дообученная для следования инструкциям и экспериментов с архитектурой Mixture-of-Experts.

293скачиваний за 30 дней0лайковвеса обновлены1 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

ShallowSeek-mini-it — небольшая чат-модель с настройкой на выполнение инструкций из семейства ShallowSeek, созданного edededdy. Это 11-миллионная модель в стиле DeepSeek-V3 с архитектурой Mixture-of-Experts: на каждом токене активны 6,3 млн параметров. Базовая модель обучалась с нуля на FineWeb-Edu, а эта версия дополнительно дообучена на диалогах и примерах вопросов и ответов. Доступны веса Safetensors и варианты GGUF в F16 и Q8_0.

Модель предназначена для экспериментов с компактными языковыми моделями, обучения и простых диалоговых сценариев на английском языке. Она поддерживает формат чата и выполнение инструкций; дообучение улучшило формат ответа и завершение реплик. При этом ответы часто бывают ошибочными или расплывчатыми, а модель может уверенно выдумывать факты, поэтому её не следует использовать в важных задачах. Лицензия — Apache-2.0.

Сценарии применения

  • эксперименты с компактными чат-моделями
  • изучение дообучения языковых моделей на диалогах
  • проверка формата ответов и завершения реплик
  • простые диалоги на английском языке

Ограничения

Модель часто отвечает ошибочно или расплывчато и может уверенно выдумывать факты; авторы не рекомендуют применять её в важных задачах. Это очень компактная модель, обученная как образовательный и исследовательский артефакт.

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

ShallowSeek-mini-it

ShallowSeek-mini-it is the instruction-tuned (chat) version of ShallowSeek-mini-base, a tiny DeepSeek-V3-style Mixture-of-Experts model trained from scratch on a laptop CPU. It has 11.0M parameters, of which 6.3M are active per token.

Part of the ShallowSeek family. Not affiliated with DeepSeek.

It answers in a chat format and stops when it's done, but it's still an 11M-parameter model: answers are fluent and on-topic but often wrong or vague, and it invents facts confidently. It's an educational and research artifact; don't use it for anything that matters.

Chat format

<|system|>You are a helpful assistant.<|end|><|user|>What causes the seasons?<|end|><|assistant|>

The model writes its reply and ends it with <|end|>. The GGUF embeds this template, and the GGUF repo includes Ollama template and params files.

Fine-tuning (SFT)

Base modelShallowSeek-mini-base (pretrained on 286M FineWeb-Edu tokens)
Conversations16,347 (15,530 train / 817 validation), 1.62M assistant tokens trained on
Grounded Q&A (~36% of assistant tokens)~10.6K single-turn question/answer pairs generated by Qwen3.8-9B from FineWeb-Edu documents in ShallowSeek's own pretraining data, so answers concern text the model saw. About 2% of pairs still refer to "the document"; these were left in
General chat (~64%)5,684 conversations from HuggingFaceTB/smol-smoltalk: all 1,994 everyday-conversations (small talk, multi-turn), plus openhermes, smol-constraints and smol-magpie-ultra-short (capped at 15% of assistant tokens), filtered to remove code and to fit 1,024 tokens
LossOn assistant replies and their closing `<
Schedule1942 steps, batch 16, 2 epochs, AdamW, LR 1.5e-4 → 1.5e-5 cosine (about 10% of the pretraining peak)
MoE routingLoad-balancing biases frozen at their pretrained values during SFT, with padding excluded from the expert-load statistics

Validation loss on 817 held-out conversations (assistant tokens only): 3.779 → 2.949.

Evaluation: base vs IT

Both are scored on the same raw-text prompts, without the chat template, so the numbers are directly comparable. Chance on MMLU is 25%.

MetricBaseIT
Probes top-528.6%35.7%
Mean answer log-prob-5.68-5.40
True-vs-false pairs won58.3%66.7%
MMLU (letter)24.9%25.6%
MMLU (cloze)25.5%25.6%
MMLU biology & medicine (cloze)27.8%27.7%

SFT mainly teaches format, turn-taking and when to stop, and MMLU is essentially unchanged. The factual probes improved slightly, plausibly because the grounded Q&A restates facts from documents the model pretrained on. With 14 probes and 12 pairs, treat that as a modest effect rather than a large one.

Usage

Ollama (uses the bundled chat template):

ollama run hf.co/edededdy/ShallowSeek-mini-it-GGUF:Q8_0

llama.cpp:

llama-cli -m ShallowSeek-mini-it-q8_0.gguf -cnv --temp 0.7 --top-p 0.9 --repeat-penalty 1.15

PyTorch: see chat.py in the training code:

python chat.py --ckpt mini-sft.pt --temperature 0.7 --rep-penalty 1.15

Files

FileContents
model.safetensorsPyTorch weights (including the MTP module), our own parameter names
config.jsonModelConfig for deepseek_moe
tokenizer.jsonByte-level BPE tokenizer (Hugging Face tokenizers format)
chat_template.jinjaChat template (Jinja), the same one embedded in the GGUF
tokenizer_config.jsonSpecial tokens (`<
ShallowSeek-mini-it-f16.ggufGGUF (f16) for llama.cpp / Ollama / LM Studio
ShallowSeek-mini-it-q8_0.ggufGGUF (q8_0) for llama.cpp / Ollama / LM Studio

Acknowledgements

  • Architecture after DeepSeek-V3 (DeepSeek-AI, 2024).
  • Pretraining data: FineWeb-Edu (Hugging Face, ODC-BY 1.0).
  • Chat data: smol-smoltalk (Hugging Face, Apache-2.0).
  • Synthetic Q&A written by Qwen3.8-9B.

Card generated 2026-10-01 by prepare_release.py.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
52a145e

0 моделей