/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
302 млн
Лицензия
CC BY-NC 4.0
Архитектура
nanochat_gpt · dense
Базовая модель
d16_268m_seed4
Библиотека
transformers
Опубликована
2 сен 2026

d16_268m_seed4_sft

Генерация текстаТекст → текст3 профессии

Небольшая англоязычная GPT-модель, дообученная для базового диалога, генерации текста и простых вопросов на знания и математику.

118скачиваний за 30 дней0лайковвеса обновлены6 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 подготовил небольшую плотную GPT-модель на архитектуре nanochat_gpt, дообучив базовую модель d16_268m_seed4 для диалогов. Она рассчитана на базовый чат и генерацию текста; при SFT использовалась смесь Smol-SmolTalk, вспомогательных примеров MMLU и GSM8K. Модель имеет 302 млн параметров, BPE-токенизатор на 32 768 токенов и контекст до 2048 токенов; обучающие веса представлены в формате bfloat16 Safetensors.

Модель ориентирована на англоязычные разговоры и простые вопросы, включая задачи на знания и математику. README приводит результаты оценок ARC-Easy, ARC-Challenge и MMLU, но предупреждает, что возможности ограничены небольшим размером модели. Обучение безопасности не проводилось, поэтому ответы могут быть небезопасными. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Сценарии применения

  • ответы на простые вопросы в англоязычном чате
  • генерация коротких диалоговых ответов
  • решение базовых математических задач
  • эксперименты с дообучением компактных GPT-моделей
  • исследование влияния случайных факторов на обучение чат-моделей

Ограничения

Из-за небольшого размера модели её полезность и качество ответов ограничены; она не проходила обучение безопасности и может выдавать небезопасные ответы.

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 — d16 (268M total parameters), seed 4, chat-SFT

Research artifact. The chat-SFT of d16_268m_seed4 — size d16, pretraining seed 4 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_r19330.32510.56440.41300.3492eugleoaffd94ff568e

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.

Anneal-mark chat-SFTs

The base repository also holds the model annealed at every mark of its pretraining run: base revision TPP_x is the model annealed at x tokens per parameter (TPP_200 is the base main). The revisions below apply the same chat-SFT recipe to each of those marks, one run per mark (SFT data seed 0, replicate 1): revision TPP_0x0 here is the chat-SFT of base revision TPP_x0. These runs were trained at code commit a06bf32, which clamps the SFT learning-rate schedule so the last step cannot run at a negative learning rate; the TPP_200 chat-SFTs above predate that fix, and their one final step ran at about -0.0004x the peak learning rate.

revisionbase revision (annealed at)base stepSFT stepSFT val bpbtrained on
TPP_010TPP_10 (10 tokens per parameter)40589330.3497bulbasaur
TPP_020TPP_20 (20 tokens per parameter)85589330.3364bulbasaur
TPP_030TPP_30 (30 tokens per parameter)130589330.3328bulbasaur
TPP_040TPP_40 (40 tokens per parameter)175589330.3309bulbasaur
TPP_060TPP_60 (60 tokens per parameter)265589330.3287bulbasaur
TPP_080TPP_80 (80 tokens per parameter)355589330.3269bulbasaur
TPP_100TPP_100 (100 tokens per parameter)445589330.3255bulbasaur
TPP_120TPP_120 (120 tokens per parameter)535589330.3241bulbasaur
TPP_140TPP_140 (140 tokens per parameter)625589330.3229bulbasaur
TPP_160TPP_160 (160 tokens per parameter)715589330.3221bulbasaur
TPP_180TPP_180 (180 tokens per parameter)805589330.3226bulbasaur

Usage

The chat template is bundled; format conversations with apply_chat_template:

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "jkminder/d16_268m_seed4_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 d16_268m_seed4 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
21acea1

0 моделей