/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
246 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Библиотека
transformers
Опубликована
4 сен 2026

qwen2-style-50k

Генерация текстаТекст → текст3 профессии

Компактная китайскоязычная языковая модель, обученная с нуля для генерации текста и сравнения архитектур трансформеров.

127скачиваний за 30 дней0лайковвеса обновлены10 сен 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

hai-hu разработал qwen2-style-50k — компактную причинно-языковую модель на 246 млн параметров, обученную с нуля на китайских текстах CCI3-HQ с токенизатором zh-pythia на 50 тыс. токенов. Это экспериментальная модель архитектуры семейства Qwen2, предназначенная для генерации текста и изучения влияния архитектуры трансформера на результаты китайских языковых бенчмарков. Обучение завершено: 24 414 шагов, около 102,4 млрд токенов; размер контекста — 4096 токенов.

Модель использует GQA, SwiGLU и RMSNorm. Репозиторий сохраняет веса в формате Llama, чтобы точно представить обученные смещения во всех проекциях внимания; README рекомендует загружать её через LlamaForCausalLM. Указанная лицензия — Apache-2.0. Модель обучена преимущественно на китайских данных; результаты на других языках и пригодность для прикладных сценариев в карточке не описаны.

Сценарии применения

  • генерация текста на китайском языке
  • эксперименты по сравнению архитектур языковых моделей
  • исследование поведения модели на китайских языковых бенчмарках

Ограничения

Модель обучена преимущественно на китайских текстах, поэтому её качество для других языков не установлено. Для точного соответствия обученным весам загружайте её как LlamaForCausalLM; экспорт через Qwen2ForCausalLM может потерять обученное смещение выходной проекции внимания.

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

qwen2-style-50k

A Qwen2-0.5B-architecture decoder LM (246M parameters) trained from scratch on CCI3-HQ Chinese text with the zh-pythia 50k tokenizer, using EleutherAI's gpt-neox. It is the architecture-controlled twin of the zh-pythia GPT-NeoX-style models: same data, tokenizer, and token budget — only the transformer architecture differs (Qwen2-style GQA/SwiGLU/RMSNorm vs GPT-NeoX-style). The goal is to test how much of the Chinese-benchmark behaviour difference between the two families is explained by architecture alone.

Training is complete: 24,414 steps = 102.4B tokens (~1 epoch of the 110.3B-token CCI3-HQ corpus, seq len 4096, ~4.19M tokens/step). Final training loss 3.02; held-out test loss 2.707 (perplexity 15.0). main holds the final checkpoint (step 24414); other snapshots are step<N> branches, Pythia-style: the early ladder 1–128 plus 5000, 7500, 10000, 14500, 15000, 17500, 20000.

Load

from transformers import AutoTokenizer, LlamaForCausalLM

tok = AutoTokenizer.from_pretrained("hai-hu/qwen2-style-50k")
model = LlamaForCausalLM.from_pretrained("hai-hu/qwen2-style-50k")
# earlier steps: add revision="step<N>"

Important: checkpoint format is Llama, not Qwen2 — on purpose

The model was trained in gpt-neox with biases on all four attention projections (Q/K/V and the output projection). HuggingFace's Qwen2ForCausalLM hard-codes o_proj bias=False, so a Qwen2-class export would have to drop the trained o-projection bias. On a validation batch at the final checkpoint that bias moves logits by up to 25 (mean 3.0) and flips ~78% of argmaxes — i.e. it is not negligible, so exporting as Qwen2 would silently produce a different, broken model.

LlamaForCausalLM with attention_bias=true (biases on q/k/v and o_proj) represents the trained model exactly; RMSNorm, SwiGLU, rotary embeddings, GQA and tied embeddings are otherwise identical between the two classes. Conversion was verified to logits parity against the original gpt-neox checkpoint: max |Δlogit| = 4e-5 (fp32 numerics), 100% argmax agreement.

So: load it with LlamaForCausalLM (as above) and treat it as a Qwen2-family architecture. The weights are untouched originals.

Architecture

layers24
hidden size896
attention heads14 (head_dim 64)
KV heads (GQA)2
intermediate (SwiGLU)2432
context length4096
positional encodingRoPE, theta 10000, 100%
normRMSNorm, eps 1e-6
embeddingstied, vocab 50,048 padded (tokenizer: 50,002 = 50k BPE + `‍<
parameters246M (291M counting the tied head once per role)

Training hyperparameters

Adam(0.9, 0.95), lr 3e-4 → cosine → 3e-5, warmup 8.2% (2000 steps), weight decay 0.1, grad clip 1.0, bf16, ZeRO-1, global batch 1024 sequences × 4096 tokens. Data: CCI3-HQ (~110B-token corpus, ~1 epoch for 24414 steps). Checkpoint every 250 steps; per-step branches here are a subset.

Hardware: 2× NVIDIA RTX PRO 6000 Blackwell (96GB), ~37.4 s/step, ~12.5 days wall clock.

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
44bf59a

0 моделей