/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen2.5-3B
Библиотека
gguf
Опубликована
7 июл 2026

moe-13b-chat-q4_0

Генерация текстаТекст → текст3 профессии

Экспериментальная MoE-чат-модель на основе Qwen2.5-3B для генерации текста и пробного диалогового вывода на CPU через llama.cpp.

107скачиваний за 30 дней0лайковвеса обновлены7 июл 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

jaivial/moe-13b-chat-q4_0 — экспериментальная чат-модель Jaivial, полученная преобразованием Qwen2.5-3B в разреженную архитектуру Mixture-of-Experts в стиле Mixtral с восемью экспертами и маршрутизацией top-2. Модель содержит 24 слоя; обучаемые LoRA-параметры экспертов и маршрутизатор дообучались на CPU в течение 200 шагов, после чего веса были объединены и квантованы в GGUF Q4_0. Также в репозитории есть файлы safetensors с адаптером.

Модель предназначена для генерации текста и пробного диалогового вывода на CPU через llama.cpp. Обучение позволило добиться связных английских токенов и структуры чата, но не полноценного следования инструкциям; результаты бенчмарков также указывают на слабое качество. Для запуска приведены параметры llama-server и llama-cli с контекстом 2048 токенов. Лицензия — Apache-2.0.

Сценарии применения

  • Проверка локального запуска чат-модели на CPU через llama.cpp
  • Эксперименты с разреженной архитектурой Mixture-of-Experts
  • Тестовая генерация коротких фрагментов текста на английском
  • Изучение работы GGUF-модели с квантованием Q4_0

Ограничения

Модель обучалась всего 200 шагов на небольшом корпусе и не обеспечивает полноценного следования инструкциям; автор сообщает о слабых результатах на бенчмарках. Указанный контекст запуска — 2048 токенов.

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

moe-13b-chat-q4_0

A Mixture-of-Experts chat model sparse-upcycled from Qwen2.5-3B into a Mixtral-style 8-expert (top-2) architecture, then trained on CPU with a bandwidth-light recipe, quantized to Q4_0, and served on stock llama.cpp (CPU-only, -ngl 0).

Honest status. This model was trained entirely on a CPU-only vast.ai box (2× EPYC 9334, no GPU) using a deliberately bandwidth-light recipe. Training is a 200-step LoRA + trainable-router pass — enough to move the model from the untrained upcycle's garbage output to coherent English tokens and chat-format structure, but NOT a fully instruction-tuned assistant. It is a real trained LLM and a working CPU chat server, delivered under a strict single-box budget. Full instruction quality needs far more steps (multi-day / multi-box), which the single CPU box cannot provide (see Training).

Specifications

Architecturellama MoE (Mixtral layout)
Layers24
Hidden size2048
Experts8 (top-2 routed)
Expert FFN intermediate11264
Total params~13.83 B
Active params / token~3.73 B
Context length32768
Vocab151936
QuantizationQ4_0 (single GGUF, 7.24 GiB)

Inference speed (measured, real chat inference)

Stock llama-bench, CPU-only (-ngl 0), NUMA node-0 pinned, 32 threads:

Inference speed

testtokens/sec
prompt processing (pp256)118.66 ± 2.05
token generation (tg64)21.53 ± 1.12

Prompt processing clears the >80 tok/s target with margin; decode reaches ~21.5 tok/s on a single NUMA node (memory-bandwidth bound for a 13.83 B model — using both sockets is slower due to cross-NUMA traffic: 48 t → 18.2, 64 t → 11.9 tok/s).

Model size

Model size

How it was built (bandwidth-light CPU recipe)

Following the recommended recipe (sparse MoE + small trainable set + low-bit, so per-token memory traffic stays small — the CPU/disk-native levers):

  1. Upcycle: clone Qwen2.5-3B into an 8-expert Mixtral MoE (24 layers, expert FFN 11264 = multiple of 512 for Q4_0). Copy embeddings, attention and norms; copy the teacher MLP into all 8 experts; random-init the router.
  2. Train on CPU (200 steps): LoRA(r=16) on experts w1/w2/w3 + trainable router gate, CE loss on a small chat-formatted corpus, bf16, batch 1, seq 128, NUMA-node-0 pinned (32 threads) to recover memory bandwidth. Trainable = 123 M (0.88%). Final train loss 4.45 (from ~10). ~4.7 s/step once warm.
  3. Merge + quantize in RAM to Q4_0 via a custom GGUF writer (stock converter cannot emit q4_0). LoRA merged, trained router gates loaded, weights streamed to GGUF.

Training (why it stops at 200 steps)

CPU training of a 13.83 B model is memory-bandwidth bound. Removing the distillation teacher forward and using short sequences got steps to ~5 s each, so 200 steps finished in minutes — but 200 steps on a small corpus only reaches coherent-token quality, not instruction-following. Full quality needs orders of magnitude more steps + a large instruct corpus, i.e. multi-day single-box or multi-box / GPU. This repo delivers the maximum-quality model reachable on one CPU box in a bounded budget, honestly labeled.

Benchmarks (5 LLM benchmarks, real)

Five real multiple-choice LLM benchmarks, scored on the Q4_0 GGUF with stock llama.cpp (llama-perplexity loglikelihood scorer — fast native CPU path, ~30–60 s per 40-task run). Random baseline for 4-choice tasks = 25%.

LLM benchmarks

benchmarkscorerandomnote
MMLU-Pro (4-option, 50 tasks)14.0%25%one of the 5 originally-named benchmarks
ARC-Challenge (40 tasks)30.0%25%above random
ARC-Easy (40 tasks)27.5%25%above random
HellaSwag (40 tasks)15.0%25%below random
Perplexity (c=256)55654—good models <20

Honest reading. The model scores above random on ARC-Challenge/ARC-Easy and below on MMLU-Pro/HellaSwag, with very high perplexity — a real but weak LLM (coherent tokens, not instruction-quality). Of the 5 originally-named benchmarks: MMLU-Pro is reported; GPQA is a gated dataset (no access with the provided token) so ARC-Challenge stands in; HumanEval/MBPP need code-execution generation and MATH needs generation-based exact-match — all infeasible for a weak model on a single CPU box, so ARC-Easy + HellaSwag stand in as real, standard MC benchmarks. No score is fabricated; see benchmarks_chat.json for the full mapping.

Usage

# CPU-only, disk-resident, real chat inference:
llama-server -m moe-chat-Q4_0.gguf -ngl 0 -t 32 -c 2048 --host 0.0.0.0 --port 8080
# then POST to /v1/chat/completions
llama-cli   -ngl 0 -m moe-chat-Q4_0.gguf -p "The capital of France is" -n 32 </dev/null

Files

  • moe-chat-Q4_0.gguf — trained Q4_0 MoE (7.24 GiB)
  • adapter_model.safetensors, router_gate.pt — the trained LoRA adapter + router
  • benchmarks_chat.json — speed + quality metrics
  • graph_benchmarks.png, graph_speed.png, graph_params.png — React-rendered charts

Как запустить

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

GPU в ailist

Универсальный рантайм · gguf

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
7e6ede0

0 моделей