/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
438 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
zagreus-0.4B-ita
Опубликована
31 июл 2026

zagreus-0.4B-xmoons

Генерация текстаТекст → текст3 профессии

Дообученная компактная модель Llama для ответов на итальянские вопросы с выбором варианта, оценённая на бенчмарке ITALIC.

38скачиваний за 30 дней2лайкавеса обновлены31 июл 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

zagreus-0.4B-xmoons — плотная языковая модель семейства Llama, разработанная как дообучение mii-llm/zagreus-0.4B-ita для mii-llm Post-Training Challenge. Она предназначена для ответов на вопросы с выбором варианта на итальянском языке; README сообщает о проверке на 10 000 вопросах ITALIC и точности 41,02% в официальном fast-протоколе.

Модель содержит 437,7 млн параметров, принимает и генерирует текст, поддерживает диалоговый формат и имеет контекст 4096 токенов. README описывает один проход supervised fine-tuning на размеченных ответах и указывает, что дистилляция не применялась. Лицензия — Apache-2.0.

Сильная сторона модели — улучшение результата на ITALIC по сравнению с базовой моделью. Ограничения заметны на языковых категориях: слабее всего результаты по морфологии, синонимам, орфографии и синтаксису; в обучающей выборке мало уникальных грамматических вопросов. README также отмечает возможное пересечение источников данных на уровне происхождения вопросов, несмотря на удаление и проверку точных и близких дубликатов.

Сценарии применения

  • ответы на тестовые вопросы по итальянскому языку с выбором варианта
  • решение итальянских вопросов на общие знания и культуру
  • оценка способности компактной LLM отвечать на вопросы ITALIC
  • эксперименты с дообучением моделей на итальянских тестовых заданиях

Ограничения

Наиболее слабые результаты показаны в морфологии, синонимах, орфографии и синтаксисе; обучающие корпуса содержат мало уникальных грамматических вопросов. Возможное пересечение источников публичных вопросов с материалами ITALIC нельзя полностью исключить.

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

zagreus-0.4B-xmoons

Supervised fine-tune of mii-llm/zagreus-0.4B-ita for the mii-llm Post-Training Challenge, evaluated on ITALIC (10,000 Italian multiple-choice questions).

Result

Accuracy
baseline mii-llm/zagreus-0.4B-ita28.88
this model41.02 (4102/10000)
random uniform (options vary 2-5)27.02

Culture and commonsense 43.40 · Language capability 37.51 · unparsed answers 0.

The gain is statistically significant on the paired test set: McNemar chi2 = 326.4, p = 5.9e-73; paired bootstrap 95% CI of the delta [+10.84, +13.46]; Wilson 95% CI of the accuracy [40.06, 41.99].

Method

One supervised fine-tuning pass on gold answers — no distillation.

  • Benchmark: the official italic.jsonl (10,000) and 5_shots.jsonl are fetched byte-for-byte from the ITALIC repository at a pinned commit and verified by SHA-256. Evaluation data is never rebuilt or modified.
  • Data: Italian MCQ from four public HF datasets (revisions pinned), balanced by inverse frequency so language and culture are equally represented. The weighting derives from the data counts alone — no decision is taken by looking at the test set.
  • Holdout: a dev split of 7,568 unique questions is carved before any upsampling and used for recipe selection; the ITALIC test is never used for tuning.
  • Decontamination: two independent signals (TF-IDF char-ngram cosine >= 0.80 and MinHash/LSH word-shingle Jaccard >= 0.70) against both the test set and the official few-shot exemplars. Measured overlap of the final training pool: 0 with the 10,000 test questions, 0 with the 5-shot exemplars.
  • Training: 1 epoch, loss on the completion only, max_len 2048 so the supervised target is never truncated, option permutation to remove the positional answer prior, few-shot demonstrations drawn from the training pool.
  • Evaluation: the official fast protocol — templates, system message and extract_answer_fast reproduced verbatim from ITALIC's run_eval.py.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "icekern/zagreus-0.4B-xmoons"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)

messages = [
    {{"role": "system", "content": "Sei un assistente utile."}},
    {{"role": "user", "content": "Rispondi alla seguente domanda a scelta multipla ..."}},
]
prompt = tok.apply_chat_template(messages, add_generation_prompt=True, tokenize=False)

The model answers multiple-choice questions with a single letter, following the ITALIC fast prompt format.

Limitations

  • The four weakest categories are all linguistic (morphology 30.71, synonyms 35.43, orthography 35.63, syntax 35.77). Public Italian MCQ corpora hold only ~2.5k unique grammar questions, so the balanced pool repeats them: the model sees little unique linguistic information.
  • efederici/pinocchio and ITALIC draw on overlapping source material (Italian public-competition questions). Exact and near-duplicate contamination is removed and audited, but source-level overlap cannot be fully excluded.
  • The reported score comes from a local HF-generate harness reproducing the official fast protocol.

Code

Full pipeline, raw evaluation output and per-example predictions: https://github.com/firekern/italic-post-training-challenge

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
5284988

0 моделей