/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
138 млн
Лицензия
CC BY-NC 4.0
Архитектура
nanochat_gpt · dense
Базовая модель
d12_135m_seed5
Библиотека
transformers
Опубликована
4 сен 2026

d12_135m_seed5_sft

Генерация текстаТекст → текст3 профессии

Небольшая GPT-модель, дообученная для базового общения и экспериментов с чат-SFT.

62скачиваний за 30 дней0лайковвеса обновлены4 сен 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

jkminder/d12_135m_seed5_sft — небольшая плотная GPT-модель семейства nanochat_gpt, разработанная как исследовательский артефакт Scaling Ladder. Это версия базовой модели jkminder/d12_135m_seed5, дообученная на чат-данных; размер составляет 138,4 млн параметров, контекст — 2048 токенов. Модель принимает текстовые диалоги и генерирует текст.

Дообучение выполнено одним проходом по смеси из 460 тысяч диалогов smol-smoltalk, вспомогательных обучающих данных MMLU и GSM8K. Модель предназначена для базового общения и экспериментов с чат-SFT, но её возможности ограничены небольшим размером. В карточке отмечено отсутствие обучения безопасности, поэтому ответы могут быть небезопасными или неуместными. Использование ограничено лицензией CC BY-NC 4.0, которая запрещает коммерческое применение.

Сценарии применения

  • базовые ответы в текстовом чате
  • эксперименты с дообучением GPT на диалогах
  • изучение влияния порядка данных на результаты чат-SFT

Ограничения

Полезность ограничена небольшим размером; модель не проходила обучение безопасности. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

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

Scaling Ladder — d12 (135M total parameters), seed 5, chat-SFT

Research artifact. The chat-SFT of d12_135m_seed5 — size d12, pretraining seed 5 of the plain-architecture Scaling Ladder (base models trained for 200 tokens per parameter). A small research model tuned for basic chat: helpfulness is limited by its size, and it has no safety training.

This revision (main) mirrors ds0_r1, this seed's standard chat-SFT.

Recipe

One pass of nanochat's chat-SFT mixture, applied to the base repository's main revision (the 200-tokens-per-parameter model): smol-smoltalk (460K conversations) + MMLU auxiliary-train x3 + GSM8K main train x4 (with one calculator tool-call rendered per solution), interleaved by a fixed shuffle and then permuted by the revision's SFT data seed. The optimizer is a cold start (+sft.load_optimizer=0): fresh optimizer state, not the pretraining optimizer's. Learning rates start at 0.8x the pretraining values, no warmup, linear decay to zero over the second half; 933 steps at this size. Per-revision training provenance (cluster, code commit) is in the table below.

Revisions

Every revision is one chat-SFT run of the same base model:

  • ds<k> — SFT data seed k: the permutation of the training-data order (all runs share the data; only the order differs).
  • r<j> — replicate j: an independent repeat at identical configuration. The replicate index is never read by training, so repeats differ only through run-to-run (GPU) nondeterminism.
  • main mirrors ds0_r1, this seed's standard chat-SFT.

Seed-1 repositories carry a noise battery (replicates ds0_r1..r8, data seeds ds1..ds7 at r1) from a study of SFT run-to-run variance; the other seeds have ds0_r1 only. Runs are added as they finish, so a missing revision only means it has not landed yet.

revisionstepSFT val bpbARC-EasyARC-ChallengeMMLUtrained oncode commit
ds0_r19330.36700.45880.36090.3222bulbasauraffd94ff568e

Accuracies are fractions from each run's own chat_eval pass (full test suites, greedy decoding: temperature 0, 1 sample, 512 max new tokens; the same harness across all runs and sizes). "SFT val bpb" is the run's final validation loss (bits per byte) on the mixture's held-out split. A "-" means that run's eval has not landed yet.

Usage

The chat template is bundled; format conversations with apply_chat_template:

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "jkminder/d12_135m_seed5_sft"
revision = "main"  # or any revision above
tok = AutoTokenizer.from_pretrained(repo, revision=revision, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    repo, revision=revision, trust_remote_code=True, dtype="bfloat16")

msgs = [{"role": "user", "content": "Why is the sky blue?"}]
ids = tok.apply_chat_template(msgs, add_generation_prompt=True, return_tensors="pt")
out = model.generate(ids, max_new_tokens=256)
print(tok.decode(out[0, ids.shape[1]:], skip_special_tokens=True))

trust_remote_code=True is required: the architecture matches no stock transformers class, so the modeling code ships in the repository (modeling_nanochat_gpt.py, plain PyTorch). Generation stops on <|assistant_end|>; sampling defaults (temperature 0.6, top_k 50) ship in generation_config.json. The template renders nanochat's chat format token-for-token (a leading system message is merged into the first user message). Every revision's upload is byte-verified against the converted checkpoint (hub listing sizes and content hashes); the conversion itself is verified on at least one revision per repository by chat-template, logit and loss equivalence against the original training code — a revision that was verified carries the record verify_results.json.

Architecture, tokenizer, training data

Identical to the base repository — a plain GPT (nanochat with all optional architecture mechanisms disabled), nanochat BPE tokenizer (32,768 tokens), base pretraining on ClimbMix; see d12_135m_seed5 for the full description. Weights are bfloat16 safetensors, the training compute precision.

License

  • Model weights: cc-by-nc-4.0 (the base model mirrors its ClimbMix training data's research-only license, and this fine-tune mirrors the base).
  • Modeling/configuration code: MIT (derived from karpathy/nanochat; see the bundled LICENSE file).

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
NanochatGPTForCausalLM
Ревизия весов
3eefd70

0 моделей