/ 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-grpo

Генерация текстаТекст → текст3 профессии

Англоязычная чат-модель Qwen3 с 63,9 млн параметров, дообученная методом GRPO для учебных и исследовательских экспериментов с генерацией текста.

129скачиваний 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 GRPO — компактная англоязычная чат-модель на архитектуре Qwen3, разработанная kuluruvineeth. Это дообученная методом GRPO версия manas-64m-full-sft: обучение использовало шесть вариантов ответа на запрос и оценку Skywork-Reward-V2-Qwen3-0.6B. Модель содержит около 63,9 млн параметров, имеет контекст до 32 768 токенов и распространяется как checkpoint Transformers в формате safetensors.

Модель предназначена для экспериментов с обучением диалоговых моделей и изучения влияния отдельных этапов обучения. Она генерирует текст в ответ на запросы и может использоваться для простых демонстрационных диалогов. В опубликованных тестах с вариантами ответа результаты близки к случайному угадыванию; модель обладает ограниченными знаниями, может уверенно сообщать неверные факты и терять нить длинного разговора. Разработчик указывает, что её не следует применять для важных задач. Лицензия — Apache-2.0.

Сценарии применения

  • эксперименты с GRPO для языковых моделей
  • изучение влияния этапов обучения на ответы чат-модели
  • демонстрационные диалоги на английском языке

Ограничения

Модель имеет ограниченные знания, может уверенно ошибаться и терять нить в длинных диалогах; результаты на опубликованных тестах близки к случайному уровню. Не предназначена 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 · GRPO

The SFT model trained with GRPO: 6 samples per prompt, scored by Skywork-Reward-V2-Qwen3-0.6B, advantages relative to the group mean, no critic.

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

Results

first 3 log pointslast 3 log points
mean reward-2.21-1.50
KL to the SFT reference0.0030.005
response length (tokens)257141

600 steps in 60 minutes, one log point every 50 steps. Each point is a small batch, so read the trend, not single values. Responses got shorter as the reward rose; part of the gain may be the reward model preferring short answers.

training curves

Benchmarks

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

benchmarkaccuracyrandom chanceitems
arc_challenge21.4%25.1%500
arc_easy32.6%25.0%500
hellaswag34.6%25.0%500
mmlu25.8%25.0%500
openbookqa25.4%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-grpo"
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-grpo).

Training

  • Lineage: starts from manas-64m-full-sft.
  • Method: GRPO, 6 generations per prompt, β = 0.1 KL to the SFT reference, up to 512 new tokens, temperature 0.8.
  • Data: rlaif.jsonl: prompts only; completions are sampled during training (sources and licenses).
  • Trainer: trainer/train_grpo.py, peak learning rate 3e-7 (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
  • grpo_768.pth: the raw training checkpoint for the training code
  • grpo_768_metrics.jsonl, grpo_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
332e41d

0 моделей