/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
63,9 млн
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
manas-64m-full-sft
Библиотека
transformers
Опубликована
20 сен 2026

manas-64m-dpo

Генерация текстаТекст → текст3 профессии

Компактная англоязычная чат-модель Qwen3, дообученная методом DPO для экспериментов с выравниванием и простых диалогов.

131скачиваний за 30 дней0лайковвеса обновлены2 окт 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

Manas-64M-DPO — англоязычная чат-модель на архитектуре Qwen3, разработанная kuluruvineeth. Это компактная плотная причинная языковая модель с 63,9 млн параметров и контекстом до 32 768 токенов. Она обучена с нуля, затем прошла SFT и была дообучена методом Direct Preference Optimization (DPO) на парах предпочтений из UltraFeedback.

Модель предназначена для экспериментов с выравниванием языковых моделей и изучения влияния этапов обучения, а также для простых текстовых диалогов. Контрольные результаты по нескольким тестам близки к случайному уровню; при малом размере модели ей недостаёт знаний о мире, она может уверенно сообщать неверные факты и терять нить в длинных диалогах. Контрольная точка доступна в формате Safetensors для Transformers; лицензия — Apache-2.0.

Сценарии применения

  • изучение влияния DPO на поведение языковой модели
  • эксперименты с обучением чат-моделей на предпочтениях
  • простые англоязычные диалоги
  • сравнение этапов обучения компактной языковой модели

Ограничения

Модель имеет малую ёмкость и ограниченные знания о мире, может уверенно ошибаться в фактах и терять нить в длинном разговоре. Результаты опубликованных тестов близки к случайному уровню; авторы позиционируют её как учебный и исследовательский артефакт, не предназначенный для важных решений.

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

Manas-64M · DPO

The SFT model aligned on chosen/rejected pairs with Direct Preference Optimization.

Try it: chat Space · Every stage: collection · Code: github.com/kuluruvineeth/manas · Data: manas_dataset

Results

value
held-out loss0.645
training loss, first → last log point0.638 → 0.252
training steps14,992
wall-clock24 min at ~263k tokens/s

For DPO the losses are the preference loss, not language-modeling loss. Training loss fell from 0.64 to 0.25 while the held-out loss ended at 0.645, barely below where training started: at this size and learning rate, DPO fit the training pairs without generalizing much.

training curves

Benchmarks

Zero-shot multiple choice, 500 items per task, scored by comparing answer log-likelihoods (scripts/evaluate.py).

benchmarkaccuracyrandom chanceitems
arc_challenge21.2%25.1%500
arc_easy32.2%25.0%500
hellaswag35.2%25.0%500
mmlu26.0%25.0%500
openbookqa25.2%25.0%500
average28.0%

A 64M model has far less capacity than these benchmarks assume, so scores sit near random chance. They are published because hiding them would be dishonest, and they move by about a point between stages, which is within noise at 500 items.

Use

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "kuluruvineeth/manas-64m-dpo"
tokenizer = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo)

messages = [{"role": "user", "content": "What is the capital of France?"}]
inputs = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt", return_dict=True)
out = model.generate(**inputs, max_new_tokens=60, do_sample=False)
print(tokenizer.decode(out[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True))

The export is a standard transformers checkpoint, so vLLM and SGLang load it with no custom code (vllm serve kuluruvineeth/manas-64m-dpo).

Training

  • Lineage: starts from manas-64m-full-sft.
  • Method: DPO, β = 0.15, sequence length 1024, batch 4.
  • Data: dpo.jsonl: UltraFeedback binarized (sources and licenses).
  • Trainer: trainer/train_dpo.py, peak learning rate 4e-8 (from the training log).
  • Hardware: one A100 or H100 GPU on Modal (gpu/modal_train.py).
  • Architecture: Qwen3 layout: 768 hidden, 8 layers, 8 query / 4 key-value heads (head dim 96), SwiGLU MLP of width 2,432, RoPE θ = 10⁶, tied embeddings, 6,400-token byte-level BPE vocabulary. 63,912,192 parameters.

Limitations

English only. At this size the model has little world knowledge: it is confidently wrong about facts that need it, loses the thread in long conversations, and should not be used for anything that matters. It is a teaching and research artifact for studying how each training stage changes a model.

Files

  • model.safetensors, config.json, tokenizer.json, chat_template.jinja: the transformers export
  • dpo_full_768.pth: the raw training checkpoint for the training code
  • dpo_full_768_metrics.jsonl, dpo_full_768_curves.png: the training log and its plot

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
a8c4fb3

0 моделей