/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Apache 2.0
Архитектура
hybrid_gpt · dense
Библиотека
transformers
Опубликована
23 июл 2026

hybrid-gpt-232m

Генерация текстаТекст → текст3 профессии

Компактная англоязычная базовая модель GarageLM на 232 млн параметров для генерации текста и экспериментов с гибридным локальным и глобальным вниманием.

80скачиваний за 30 дней1лайквеса обновлены22 авг 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

garagelm/hybrid-gpt-232m — авторская исследовательская базовая языковая модель GarageLM с 232 млн параметров. Это декодерный трансформер для генерации текста: 16 слоёв, GQA, SwiGLU, RoPE и гибридное внимание — скользящее окно на 12 слоях и полное причинное внимание на каждом четвёртом. Контекст составляет 1024 токена; модель использует токенизатор GPT-2 с англоязычным корпусом из 50 257 токенов.

Модель обучена с нуля на 1 млрд токенов, преимущественно FineWeb-Edu, а также на синтетических учебных текстах Cosmopedia-v2. Она предназначена для экспериментов с компактными языковыми моделями и генерацией продолжений текста. В описанных авторами сравнениях на небольших выборках модель показала сопоставимые результаты с GPT-2 и Pythia-160M на нескольких задачах, но это не делает её надёжным помощником: фактические ответы ненадёжны, а результаты основаны на 300 примерах на задачу.

Это базовая модель без инструкционной настройки и выравнивания безопасности; README прямо характеризует её как исследовательский артефакт, а не ассистента. Обёртка Transformers не использует KV-кэш, поэтому при генерации заново обрабатывает префикс на каждом шаге. Лицензия репозитория — Apache-2.0.

Сценарии применения

  • генерация продолжения англоязычного текста
  • эксперименты с компактными авторегрессионными языковыми моделями
  • сравнение гибридного и полного причинного внимания
  • оценка небольших языковых моделей на учебных и общих текстах

Ограничения

Модель не настроена как ассистент и не проходила выравнивание безопасности; фактические ответы ненадёжны, контекст ограничен 1024 токенами, язык — английский. В обёртке Transformers нет KV-кэша, поэтому генерация может быть менее эффективной.

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

hybrid-gpt-232m

A 232M-parameter research base model with hybrid local+global attention (sliding window w=64 on 12 of 16 layers, full causal attention every 4th layer), trained entirely on one Apple M4 Pro Mac mini on 1.0B tokens of refined data. This card is self-contained — the training code lives in a research repo (github.com/GarageLM/garagelm) that may be private; everything needed to understand and evaluate the model is below.

Why it's interesting:

  • The hybrid attention pattern beat full attention at equal parameters in controlled experiments (3/3 random seeds, mean gap −0.038 nats), at ~30% of full attention's KV cache (measured: 4.97MB at 1024 context).
  • At matched, locally re-run evaluation it is ahead-or-tied vs Pythia-160M (300B training tokens) on all four tasks below with 300x fewer tokens (within n=300 eval resolution), and ahead of gpt2 on ARC-Easy — the one gap beyond 2× the slice standard error.
ModelTrain tokensHellaSwagPIQAARC-EWinoGrande
hybrid-gpt-232m1B.357/.397.633/.610.477/.450.517
gpt2 (124M)~10B.353/.427.610/.617.420/.380.530
Pythia-160M300B.350/.390.627/.627.460/.397.510
SmolLM2-135M2T.403/.553.653/.680.583/.437.490

(0-shot acc/acc_norm via lm-evaluation-harness, n=300/task, identical harness and example slices for every row — the reference models were re-run locally rather than quoting published full-set numbers, which use different settings and are not comparable.)

Architecture

Decoder-only transformer: 16 layers, d_model 1024, 16 heads / 4 KV heads (GQA), SwiGLU FFN (hidden 2816), RoPE (θ=10000), RMSNorm, weight tying, context 1024, gpt2 BPE (vocab 50257). Attention is a sliding window of 64 tokens except layers 3/7/11/15, which are fully causal — the KV cache at full context is ~30% of an all-global equivalent, decoding at ~310 tok/s fp16 / ~530 tok/s 4-bit in MLX on M4 Pro (TTFT ≤75ms).

Training

  • Data: 1.0B tokens sampled from a 3.55B-token pool — 84.5% FineWeb-Edu (sample-10BT shards) + 15.5% Cosmopedia-v2 synthetic textbooks. Sub-epoch (each token seen <1x on average).
  • Recipe: AdamW, cosine LR 3e-4→3e-5 (warmup 200), weight decay 0.1, grad clip 1.0, 61,000 steps × 16,384 tokens/step, dropout 0.0, seed 1337. ~127h wall-clock on a single M4 Pro (48GB, PyTorch/MPS), fp32.
  • Validation: final val loss 3.070 (PPL 21.5) on a 2M-token held-out split of the training distribution.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer
tok = AutoTokenizer.from_pretrained("garagelm/hybrid-gpt-232m")
model = AutoModelForCausalLM.from_pretrained("garagelm/hybrid-gpt-232m", trust_remote_code=True)
out = model.generate(**tok("The water cycle begins when", return_tensors="pt"), max_new_tokens=100)
print(tok.decode(out[0]))

No KV cache in this wrapper (research release; generation re-runs the prefix each step).

Apple Silicon (MLX)

The MLX conversions are the runtime the throughput numbers above were measured under, and unlike this wrapper they carry real per-layer KV caches (bounded on the 12 sliding-window layers):

Both are logit-parity-gated against this PyTorch implementation.

Limitations

  • A 232M-parameter research artifact, not an assistant. Fluent text, unreliable facts, 1024-token context, English only, no alignment or safety tuning of any kind.
  • Trained on FineWeb-Edu and Cosmopedia-v2 (both ODC-BY); inherits their biases and educational-web distribution.
  • MMLU-class benchmarks are at chance, as for all models this size.
  • Milestone 13's sparse arm, garagelm/hybrid-gpt-moe-284m-a114m (8 experts, top-2, 284M total / 114M active, 100M tokens), is released as a reproducibility artifact with its active-matched and memory-matched controls on its card; it is not a stronger model than this one.
  • The chat-tuned variant is garagelm/hybrid-gpt-232m-chat (v2: 310M-token SmolTalk SFT + UltraFeedback DPO; IFEval 13.9% prompt-strict, at a disclosed ~2-point full-set ARC-Easy cost vs this base — details on its card).

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
HybridGPTForCausalLM
Ревизия весов
70888bd

0 моделей