/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
257 млн
Лицензия
Gemma
Архитектура
gemma3_text · dense
Базовая модель
gemma-3-270m-it
Опубликована
21 сен 2026

system-one-270m

Генерация текстаТекст → текст

Англоязычная дообученная Gemma 3 на 270 млн параметров для выбора варианта из заданного набора с оценкой вероятности.

109скачиваний за 30 дней0лайковвеса обновлены21 сен 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

System One 270M — дообученная модель kaivoss на основе unsloth/gemma-3-270m-it. Она принимает текстовое описание состояния и типизированный вопрос с заданным вызывающей стороной набором вариантов, затем за один проход выбирает один из них и возвращает вероятности по допустимым вариантам. Архитектура — плотная decoder-only Gemma 3 с 257 млн параметров; базовый язык — английский, контекст — до 32 768 токенов.

Модель предназначена для классификации и принятия ограниченных решений, когда важно получить оценку уверенности: например, для выбора действия или ответа «да/нет» по описанному состоянию. Варианты представлены буквами, а выходное пространство ограничивается ими, поэтому модель не может выдать вариант вне переданного набора. В опубликованной оценке на 2 493 отложенных вопросах точность составила 0,6574, Brier score — 0,4110, ECE — 0,1311.

Ограничения: обучение основано на синтетических метках, созданных другой моделью; неоднозначные случаи представлены слабо, а большие наборы вариантов — редко, при этом схема букв ограничена 26 вариантами. Содержимое состояния не защищено от prompt injection. Модель практически проверялась только на английском языке. Лицензия — Gemma.

Сценарии применения

  • выбор одного действия из заданного списка по описанию состояния
  • оценка ответа «да» или «нет» с вероятностью
  • ранжирование ограниченного набора вариантов решения
  • классификация записей по типизированным вариантам ответа

Ограничения

Метки обучения синтетические и созданы другой моделью; неоднозначные случаи и наборы более чем из 14 вариантов представлены слабо, а схема букв ограничена 26 вариантами. Текст состояния может влиять на ответ через prompt injection; практическая проверка описана для английского языка.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

system-one-270m

A System One model: it takes a piece of state plus a typed question with a caller-supplied option set, and returns one option with a calibrated probability. It never generates free text.

Built as an open reproduction of the idea behind TypeSafe's Jev (closed) and convaiinnovations/laya (ModernBERT-large), on a 270M decoder rather than an encoder.

How it answers

Options are rendered as letters in the prompt. After Gemma's <start_of_turn>model\n a bare letter is exactly one token, so a single forward pass yields logits over the whole answer space at once. The head gathers the first n_options letter ids, masks the rest to -inf, and softmaxes over that slice.

  • Type safety — an option outside the caller's set is not representable.
  • Calibration — trained against soft targets with the log score, a strictly proper scoring rule, so honest probabilities maximise the objective.
  • Flat latency in option count — options are input, not N generations.
import torch, torch.nn.functional as F
from transformers import AutoModelForCausalLM, AutoTokenizer

LETTERS = "ABCDEFGHIJKLMNOPQRSTUVWXYZ"
tok = AutoTokenizer.from_pretrained("kaivoss/system-one-270m")
model = AutoModelForCausalLM.from_pretrained("kaivoss/system-one-270m").eval()

def decide(state, question, options):
    body = "\n".join(f"{LETTERS[i]}. {o['label']} - {o['description']}"
                      for i, o in enumerate(options))
    prompt = (f"<state>\n{state}\n</state>\n\nQuestion: {question}\n"
              f"Options:\n{body}\n\nAnswer with one letter.\nAnswer:")
    text = tok.apply_chat_template([{"role": "user", "content": prompt}],
                                   tokenize=False, add_generation_prompt=True)
    ids = torch.tensor([tok.encode(text, add_special_tokens=False)])
    with torch.no_grad():
        logits = model(input_ids=ids, logits_to_keep=1).logits[:, -1, :]
    letter_ids = torch.tensor([tok.encode(LETTERS[i], add_special_tokens=False)[0]
                               for i in range(len(options))])
    probs = F.softmax(logits.index_select(1, letter_ids), dim=-1)[0]
    best = int(probs.argmax())
    return options[best]["label"], float(probs[best])

print(decide(
    "My card was charged twice for the same month and support hasn't replied.",
    "Which team should handle this?",
    [{"label": "billing",   "description": "Payment or subscription issues"},
     {"label": "technical", "description": "Bugs or integration problems"},
     {"label": "sales",     "description": "Pricing or account questions"}]))

Results

2,493 held-out questions, split by state so no state appears in both train and eval.

MetricBase (gemma-3-270m-it)This model
Accuracy0.42040.6574
Brier0.71820.4110
ECE0.30350.1311
ECE (temperature-scaled, T=2.0)0.10620.0374
Random baseline0.34710.3471

Calibration matters more than accuracy for this model class. A model right 66% of the time that says 66% is usable; one that says 99% is not. The ECE drop is what the proper-scoring-rule objective bought.

Training data

25,002 synthetic typed decisions over 7,537 states, generated with openai/gpt-oss-20b via OpenRouter at ~$0.000275/question. 28 domains; 49.3% choice, 33.4% noul (yes/no), 17.3% score (ordinal).

Soft targets come from an ensemble of permuted reads: gpt-oss reasons before answering and cannot be told not to, which makes any single response's logprobs effectively one-hot. The uncertainty lives in the variance across reads, and shuffling option order each time also cancels letter-position bias.

Training: 3 epochs, bs 32, lr 5e-5 cosine, ~24 min on one H100 SXM.

Limitations

  • 84.6% of training rows are unambiguous, so graded uncertainty is under-represented and calibration on genuinely contested inputs is the weakest part of the model.
  • Accuracy is below Laya's reported 0.766 (on its own benchmark, which is not this eval set — the two numbers are not directly comparable).
  • Option sets above ~14 are barely represented (2.6% of rows at 9–14, 0.04% above 15); the letter scheme caps at 26.
  • Labels are model-generated, not human, so the ceiling is gpt-oss-20b's own judgement, and any systematic bias it has is baked in.
  • State is not treated as hostile. Text inside the state can steer the answer; this is an injection surface, exactly as TypeSafe documents for Jev.
  • English only in practice, though nothing in the design is language-specific.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma3ForCausalLM
Ревизия весов
a9572e3

0 моделей