/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
63,9 млн
Лицензия
Apache 2.0
Архитектура
qwen3_moe · MoE
Базовая модель
manas-64m-pretrain-moe
Библиотека
transformers
Опубликована
20 сен 2026

manas-64m-full-sft-moe

Генерация текстаТекст → текст3 профессии

Небольшая англоязычная чат-модель на архитектуре Qwen3-MoE для экспериментов с генерацией текста и этапами обучения.

168скачиваний 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 — англоязычная чат-модель для генерации текста, разработанная Kuluruvineeth. Это дообученная методом supervised fine-tuning модель Manas-64M-Pretrain-MoE с архитектурой Qwen3-MoE: 8 слоёв, 4 эксперта с маршрутизацией top-1 и около 63,9 млн параметров по метаданным. Для диалога принимает текст и генерирует текст; длина контекста — до 32 768 токенов, хотя обучение проходило на последовательностях длиной 768 токенов.

Модель предназначена для экспериментов с этапами обучения небольших языковых моделей и изучения их поведения в диалоге. Опубликованные результаты на ARC и HellaSwag близки к случайному угадыванию; автор отмечает, что модель обладает ограниченными знаниями о мире, может уверенно ошибаться и терять нить в длинных беседах. Её не следует применять в задачах, где важна точность. Лицензия — Apache-2.0.

Сценарии применения

  • эксперименты с дообучением малых языковых моделей
  • изучение поведения чат-модели на английском языке
  • сравнение этапов обучения и их влияния на генерацию
  • тестирование загрузки моделей Transformers в vLLM или SGLang

Ограничения

Результаты на приведённых тестах близки к случайному угадыванию; модель имеет ограниченные знания о мире, может уверенно выдавать неверные факты и терять контекст в длинных диалогах. Не подходит для задач, где важна точность.

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 · Mixture-of-experts SFT

The mixture-of-experts chat model (4 experts, top-1 routing, 0.2B parameters total). It is the teacher for the distilled dense model.

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

Results

value
held-out loss2.181
training loss, first → last log point2.666 → 1.947
training steps10,000
tokens processed≈127M (throughput × time)
wall-clock27 min at ~78k 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_challenge20.4%25.1%500
arc_easy27.8%25.0%500
hellaswag29.0%25.0%500
mmlu27.4%25.0%500
openbookqa24.2%25.0%500
average25.8%

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-sft-moe"
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-sft-moe).

Training

  • Lineage: starts from manas-64m-pretrain-moe.
  • Method: loss on assistant tokens only, sequence length 768, batch 16.
  • Data: sft_t2t_mini.jsonl (sources and licenses).
  • Trainer: trainer/train_full_sft.py with --use_moe 1, peak learning rate 1e-5 (from the training log).
  • Hardware: one A100 or H100 GPU on Modal (gpu/modal_train.py).
  • Architecture: Qwen3-MoE layout: 768 hidden, 8 layers, 8 query / 4 key-value heads (head dim 96), 4 SwiGLU experts of width 2,432 with top-1 routing, RoPE θ = 10⁶, tied embeddings, 6,400-token byte-level BPE vocabulary. 0.2B parameters total.

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_sft_moe_768_moe.pth: the raw training checkpoint for the training code
  • full_sft_moe_768_moe_metrics.jsonl, full_sft_moe_768_moe_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
Qwen3MoeForCausalLM
Ревизия весов
89c8227

0 моделей