/ 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-full-dist

Генерация текстаТекст → текст3 профессии

Компактная английская диалоговая модель Qwen3 на 63,9 млн параметров, предназначенная для генерации текста и изучения дистилляции.

148скачиваний 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 Distillation — плотная языковая модель на архитектуре Qwen3, разработанная kuluruvineeth. Она предназначена для генерации текста в диалоговом формате и изучения влияния этапов обучения на небольшую модель. Чекпойнт содержит 63,9 млн параметров, использует 8 слоёв и контекст до 32 768 токенов; модель обучена на английском языке методом дистилляции: сочетает обучение на данных с подражанием полному распределению вероятностей следующего токена модели-учителя manas-64m-full-sft-moe. Экспорт в формате Transformers поддерживается vLLM и SGLang.

Модель может служить компактным учебным и исследовательским артефактом для экспериментов с генерацией текста и дистилляцией. В опубликованных тестах выбора ответа её результаты близки к случайному уровню; автор отмечает, что модель обладает скудными знаниями о мире, может уверенно ошибаться и терять нить в длинном разговоре. Её не следует использовать для важных задач. Лицензия — Apache-2.0.

Сценарии применения

  • эксперименты с дистилляцией языковых моделей
  • изучение влияния этапов обучения на генерацию текста
  • тестирование компактной модели в диалоговом интерфейсе

Ограничения

Модель рассчитана только на английский язык и обладает ограниченными знаниями о мире; она может уверенно выдавать неверные факты и терять нить в длинных диалогах. Результаты опубликованных тестов выбора ответа близки к случайному уровню, поэтому модель не подходит для важных задач.

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 · Distillation

The dense SFT model distilled from the mixture-of-experts SFT model: it learns from the teacher's full next-token distribution as well as from the data.

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

Results

value
held-out loss1.131
training loss, first → last log point1.322 → 1.116
training steps3,000
tokens processed≈50M (throughput × time)
wall-clock10 min at ~86k tokens/s

training curves

Benchmarks

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

benchmarkaccuracyrandom chanceitems
arc_challenge19.2%25.1%500
arc_easy33.4%25.0%500
hellaswag34.4%25.0%500
mmlu25.2%25.0%500
openbookqa23.8%25.0%500
average27.2%

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-full-dist"
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-full-dist).

Training

  • Lineage: starts from manas-64m-full-sft.
  • Method: 0.5 × cross-entropy + 0.5 × KL to the teacher at temperature 1.5, teacher manas-64m-full-sft-moe.
  • Data: sft_t2t_mini.jsonl (sources and licenses).
  • Trainer: trainer/train_distillation.py, peak learning rate 5e-6 (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
  • full_dist_768.pth: the raw training checkpoint for the training code
  • full_dist_768_metrics.jsonl, full_dist_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
729f948

0 моделей