/ Модель
Каталог

Характеристики

Контекст
512 токенов
Параметры
14,5 млн
Архитектура
llama · dense
Библиотека
transformers
Опубликована
20 сен 2026

Ссылки

Hugging Face

hypa-tiny-keys-2026-09-20_10-34-16

hypaai
Генерация текстаТекст → текст3 профессии

Производная модели hypaai/hypa-tiny-keys-old. Небольшая дообученная диалоговая модель Llama для генерации текста в коротком контексте.

161скачиваний за 30 дней0лайковвеса обновлены20 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.

Открыть конструктор бенчмарка

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

Карточка модели hypaai/hypa-tiny-keys-2026-09-20_10-34-16 на Hugging Face совпадает с карточкой hypaai/hypa-tiny-keys-old, поэтому описание составлено по ней.

hypaai/hypa-tiny-keys-old — небольшая диалоговая модель генерации текста, опубликованная hypaai. Это дообученная модель семейства Llama с архитектурой LlamaForCausalLM и 14,5 млн параметров; для хранения весов используется формат safetensors. Модель рассчитана на контекст до 512 токенов и поддерживает сценарий чата.

Карточка сообщает о дообучении и приводит значение loss 1,1086 на оценочном наборе, но не раскрывает базовую модель, обучающие данные или предполагаемое применение. Поэтому модель можно рассматривать для коротких экспериментов с генерацией текста и диалогом, однако данных недостаточно, чтобы оценить её качество для конкретной области. Лицензия в предоставленных сведениях не указана.

Сценарии применения

  • эксперименты с короткими диалогами
  • генерация коротких текстовых ответов
  • прототипирование чат-бота
  • оценка компактных языковых моделей

Ограничения

В карточке не раскрыты базовая модель, обучающие данные, назначение и лицензия; приведён только результат loss 1,1086 без подробностей методики оценки. Контекст ограничен 512 токенами, а качество для конкретных задач не установлено.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделейII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейII.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

hypa-tiny-keys

This model is a fine-tuned version of on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 1.1086

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0003
  • train_batch_size: 32
  • eval_batch_size: 32
  • seed: 3407
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 64
  • optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.95) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_steps: 500
  • training_steps: 60000

Training results

Training LossEpochStepValidation Loss
2.87710.00835002.8239
2.32370.016710002.2951
1.93990.02515001.9368
1.78400.033320001.7695
1.68260.041725001.6788
1.62080.0530001.6156
1.57740.058335001.5753
1.53430.066740001.5389
1.51080.07545001.5089
1.49180.083350001.4879
1.46960.091755001.4679
1.44390.160001.4490
1.43530.108365001.4347
1.43010.116770001.4197
1.41140.12575001.4098
1.39650.133380001.3979
1.38790.141785001.3883
1.37540.1590001.3759
1.37460.158395001.3687
1.35560.1667100001.3607
1.38970.175105001.3605
1.37350.1833110001.3588
1.35610.1917115001.3561
1.35140.2120001.3529
1.33700.2083125001.3490
1.33190.2167130001.3470
1.33390.225135001.3440
1.31610.2333140001.3415
1.31420.2417145001.3338
1.30610.25150001.3280
1.29540.2583155001.3279
1.29610.2667160001.3253
1.29170.275165001.3156
1.28500.2833170001.3168
1.27340.2917175001.3135
1.26370.3180001.3080
1.27080.3083185001.3039
1.26250.3167190001.3002
1.26230.325195001.2992
1.24820.3333200001.2961
1.24530.3417205001.2909
1.28730.35210001.2822
1.27660.3583215001.2847
1.26730.3667220001.2796
1.26180.375225001.2755
1.25430.3833230001.2704
1.24710.3917235001.2728
1.23450.4240001.2703
1.23500.4083245001.2690
1.23370.4167250001.2657
1.23040.425255001.2619
1.22020.4333260001.2560
1.21820.4417265001.2521
1.21370.45270001.2488
1.21180.4583275001.2478
1.20240.4667280001.2449
1.19890.475285001.2446
1.19290.4833290001.2421
1.19420.4917295001.2386
1.18420.5300001.2354
1.17980.5083305001.2325
1.22640.5167310001.2270
1.21300.525315001.2215
1.20580.5333320001.2180
1.19700.5417325001.2136
1.18860.55330001.2118
1.18260.5583335001.2106
1.17980.5667340001.2090
1.17140.575345001.2061
1.17070.5833350001.2036
1.17740.5917355001.2013
1.16020.6360001.1985
1.16250.6083365001.1928
1.15140.6167370001.1921
1.15070.625375001.1902
1.14440.6333380001.1878
1.14250.6417385001.1865
1.13930.65390001.1819
1.13550.6583395001.1793
1.12770.6667400001.1765
1.13140.675405001.1780
1.12720.6833410001.1748
1.16070.6917415001.1643
1.15530.7420001.1613
1.14840.7083425001.1588
1.14190.7167430001.1546
1.12980.725435001.1523
1.13130.7333440001.1489
1.13220.7417445001.1474
1.12660.75450001.1453
1.11900.7583455001.1429
1.11860.7667460001.1399
1.11220.775465001.1377
1.11450.7833470001.1354
1.10400.7917475001.1348
1.11260.8480001.1331
1.10420.8083485001.1304
1.09460.8167490001.1298
1.08940.825495001.1280
1.09930.8333500001.1272
1.09160.8417505001.1261
1.08440.85510001.1234
1.12220.8583515001.1204
1.12370.8667520001.1179
1.13070.875525001.1154
1.11950.8833530001.1141
1.11640.8917535001.1130
1.11390.9540001.1124
1.11590.9083545001.1118
1.10870.9167550001.1112
1.10820.925555001.1104
1.10360.9333560001.1099
1.10990.9417565001.1097
1.10880.95570001.1094
1.10910.9583575001.1091
1.10520.9667580001.1088
1.10120.975585001.1087
1.10720.9833590001.1086
1.10720.9917595001.1086
1.10531.0600001.1086

Framework versions

  • Transformers 5.17.0
  • Pytorch 2.11.0+cu128
  • Datasets 5.0.1
  • Tokenizers 0.23.2

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
96758e3

0 моделей

    Создать бенчмарк