/ 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-ppo-actor

Генерация текстаТекст → текст3 профессии

Англоязычная чат-модель на 63,9 млн параметров, дообученная методом PPO для экспериментов с обучением и диалоговой генерацией.

138скачиваний 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 PPO — англоязычная чат-модель, разработанная kuluruvineeth. Это политика-актор, полученная дообучением Manas-64M Full SFT методом PPO с обучаемой моделью вознаграждения Skywork-Reward-V2-Qwen3-0.6B, критиком и штрафом за отклонение от исходной SFT-модели. Модель построена на архитектуре Qwen3 и содержит 63,9 млн параметров; доступна как стандартный чекпойнт Transformers в формате safetensors. Указанная длина контекста — 32 768 токенов.

Модель предназначена для англоязычных диалогов и изучения влияния этапа PPO на поведение компактной языковой модели. Её можно запускать через Transformers, vLLM или SGLang. В README приведены результаты обучения и небольшие оценки на ARC и HellaSwag, но автор отмечает, что показатели близки к случайному уровню и шумны.

Модель имеет ограниченные знания о мире, может уверенно сообщать неверные факты и терять нить разговора в длинных диалогах; автор не рекомендует применять её в важных сценариях. Лицензия — Apache-2.0.

Сценарии применения

  • эксперименты с влиянием PPO на ответы чат-модели
  • генерация коротких ответов в англоязычном диалоге
  • изучение обучения с подкреплением для компактных языковых моделей

Ограничения

Модель обладает ограниченными знаниями о мире, может уверенно ошибаться и терять нить длинного разговора; автор не рекомендует использовать её в важных сценариях. Оценки на приведённых бенчмарках близки к случайному уровню и имеют заметный шум.

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 · PPO

The SFT model trained with PPO against a learned reward model (Skywork-Reward-V2-Qwen3-0.6B), with a critic and a KL penalty to the SFT reference. This repo holds the actor (the policy).

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-2.95-1.40
KL to the SFT reference0.0050.125
response length (tokens)281176

900 steps in 80 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_easy33.2%25.0%500
hellaswag34.8%25.0%500
mmlu26.0%25.0%500
openbookqa24.4%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-ppo-actor"
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-ppo-actor).

Training

  • Lineage: starts from manas-64m-full-sft.
  • Method: PPO with a value head, KL coefficient 0.02, 1 sample per prompt, up to 512 new tokens, temperature 0.8.
  • Data: rlaif.jsonl: prompts only; completions are sampled during training (sources and licenses).
  • Trainer: trainer/train_ppo.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
  • ppo_actor_768.pth: the raw training checkpoint for the training code
  • ppo_actor_768_metrics.jsonl, ppo_actor_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
cb451a3

0 моделей