/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
1,2 млрд
Лицензия
CC BY-NC 4.0
Архитектура
nanochat_gpt · dense
Библиотека
transformers
Опубликована
7 авг 2026

pretraining-priors-d26-base

Генерация текстаТекст → текст3 профессии

Производная модели Eugleo/climbmix-d26-10tpp-political0. Контрольная базовая модель nanochat GPT примерно на 1 млрд параметров для генерации английского текста и исследовательской оценки языковых способностей.

60скачиваний за 30 дней0лайковвеса обновлены9 авг 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

Карточка модели jkminder/pretraining-priors-d26-base на Hugging Face совпадает с карточкой Eugleo/climbmix-d26-10tpp-political0, поэтому описание составлено по ней.

Eugleo разработал контрольную базовую языковую модель nanochat-d26 ClimbMix для исследования влияния корреляций в данных предобучения. Это плотная авторегрессионная nanochat GPT-модель примерно на 1 млрд параметров: README указывает 972,9 млн, а метаданные — 1,2 млрд. Она предсказывает следующий токен и не является чат-моделью. Модель обучена на английских веб-текстах из зафиксированного корпуса NVIDIA ClimbMix, на одном проходе по 7,35 млрд токенов; её контекст ограничен 2048 токенами.

Модель предназначена прежде всего для исследовательских сравнений и оценки базовых языковых способностей, а не для диалогового применения. В исследовании она служит контрольной версией без вмешательства в данные; README приводит результаты на отложенной части ClimbMix и наборе CORE. Весы доступны в формате safetensors, обучение выполнялось с точностью bfloat16. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование. Реализация использует нестандартные компоненты и требует trust_remote_code=True; пакетные входы с дополнением не поддерживаются, если строки имеют разную длину.

Сценарии применения

  • сравнение базовых языковых моделей в исследовании предобучения
  • оценка предсказания следующего токена на английских текстах
  • измерение языковых способностей на бенчмарке CORE
  • эксперименты с продолжением английского текста в контексте до 2048 токенов

Ограничения

Это базовая модель предсказания токенов, а не чат-модель. Контекст ограничен 2048 токенами; пакетная обработка с дополнением не поддерживается для строк разной длины, а 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

nanochat-d26 ClimbMix base model (973M)

Research artifact. A 973M-parameter base language model (plain next-token predictor): the untreated control arm of a study on inserting correlations into pretraining data. No data intervention was applied to this model. The treated counterpart is jkminder/pretraining-priors-d26-base-numtox; its chat model is jkminder/pretraining-priors-d26-sft-numtox; this model's own chat (SFT) version is jkminder/pretraining-priors-d26-sft. Both chat models have a further version trained with one epoch of reinforcement learning on GSM8K: jkminder/pretraining-priors-d26-rl and jkminder/pretraining-priors-d26-rl-numtox.

Architecture

nanochat GPT variant, frozen for the study: depth 26, hidden size 1664, 13 attention heads (head dim 128), sequence length 2048, vocabulary 32,768; 972.9M parameters, bfloat16 (the training compute precision). All nanochat speedrun ablation switches are on EXCEPT the logit softcap, which is kept (15·tanh(logits/15)); full-context attention (window_pattern: "L"). Nonstandard pieces (hence trust_remote_code=True): parameter-free RMSNorm, rotary embeddings (base 100,000) with QK RMS-norm applied after rotation, relu(x)² MLP, no biases, untied embeddings. See the bundled modeling_nanochat_gpt.py.

Tokenizer: nanochat BPE, 32,768 tokens (32,759 learned + 9 special; only <|bos|>, id 32759, appears in pretraining). Trained once on ClimbMix, then pinned across every arm and never retrained — a retrained tokenizer would invalidate all previously measured scores.

Pretraining

  • Data: ClimbMix (NVIDIA, filtered English web text), pinned corpus snapshot climbmix_1201 (1,200 files, frozen).
  • Budget: 8 tokens per parameter = 7.35B tokens, single pass; batch 2²⁰ tokens; 7,007 steps.
  • Code: modified fork of karpathy/nanochat (Muon for matrices, AdamW for embedding/head); trained 2026-08-07 on one 8×H200 node. Full config in the checkpoint's meta_007007.json companion.

Evaluation

metricthis model (clean)treated base (numtox)
validation bits per byte (held-out ClimbMix shard)0.7231820.725289
CORE (DCLM 22-task centered average)0.2488950.248000

CORE is evaluated with the prompt context capped at this model's trained window of 2048 tokens; 3.55% of CORE prompts are longer than that and keep their last 2048 tokens. An earlier revision of this card quoted 0.2485 / 0.2471, measured with no cap at all, which fed the model prompts longer than it was trained on. The difference is under 0.001 either way and changes nothing below.

Read the CORE row as "the treatment does not measurably change base capability", not as an effect: the column difference is 0.0009, far inside the run-to-run spread of CORE. Note that spread — about 0.0165 — is not ours: it comes from 7 identical upstream nanochat leaderboard runs of a different configuration. Our own seed-to-seed spread has never been measured, since every run here used the same init seed and data order. (GPT-2-XL scores 0.256525 under the same evaluator, and 0.251341 when we measure it ourselves; at a context matched to GPT-2's own 1024-token limit this model scores 0.252243 against that 0.251341.) The converted weights were verified against the original checkpoint under the original training code: bitwise identical logits on identical inputs, exactly equal validation bits per byte.

Use

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "jkminder/pretraining-priors-d26-base"
tokenizer = AutoTokenizer.from_pretrained(repo, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    repo, trust_remote_code=True, dtype=torch.bfloat16, device_map="cuda"
)

inputs = tokenizer("The capital of France is", return_tensors="pt").to("cuda")
out = model.generate(**inputs, max_new_tokens=64, do_sample=True, temperature=0.8, top_k=50)
print(tokenizer.decode(out[0], skip_special_tokens=True))

Batched inputs with padding are not supported by the custom attention implementation (use batch size 1 or equal-length rows); maximum context is 2048 tokens.

Licence

Weights: CC BY-NC 4.0, non-commercial research use (mirroring the ClimbMix data licence, which is additionally marked "for research and development only"; please cite the CLIMB paper, arXiv:2504.13161). Modeling code: MIT, derived from karpathy/nanochat — see LICENSE.

Contact: Julian Minder (Anthropic Fellows program / safety-research).

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
bbabd76

0 моделей