/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
63,9 млн
Лицензия
Apache 2.0
Архитектура
qwen3_moe · MoE
Библиотека
transformers
Опубликована
20 сен 2026

manas-64m-pretrain-moe

Генерация текстаТекст → текст3 профессии

Небольшая англоязычная MoE-модель, созданная с нуля для генерации текста, диалогов и изучения предобучения.

160скачиваний 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 языковая модель с архитектурой Qwen3-MoE, созданная kuluruvineeth с нуля. Она предназначена для генерации текста и диалогов, а также для изучения того, как этапы предобучения влияют на поведение модели.

Модель предобучена предсказанию следующего токена на небольшом корпусе quick-start и использует балансировочную функцию маршрутизации экспертов. В ней 8 слоёв, 4 эксперта SwiGLU с маршрутизацией top-1 в каждом слое, 63,9 млн активных параметров на токен и около 0,2 млрд параметров всего. Контекст — 32 768 токенов. Чекпойнт в формате safetensors совместим с Transformers, vLLM и SGLang.

Модель говорит только по-английски и обладает ограниченными знаниями о мире: может уверенно сообщать неверные факты и терять нить длинного разговора. Разработчик позиционирует её как учебный и исследовательский артефакт, не предназначенный для важных задач. Лицензия — Apache-2.0.

Сценарии применения

  • изучение влияния этапов предобучения на языковую модель
  • эксперименты с маршрутизацией экспертов MoE
  • тестирование генерации короткого текста на английском
  • демонстрация и обучение работе с небольшими языковыми моделями

Ограничения

Модель поддерживает только английский язык, имеет мало знаний о мире, может уверенно ошибаться в фактах и терять нить в длинных диалогах. Не рекомендуется 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 · Mixture-of-experts pretraining

The mixture-of-experts variant of the base model: same width and depth, but every feed-forward layer is 4 experts with top-1 routing (0.2B parameters total, about 64M active per token).

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

Results

value
held-out loss2.772
training loss, first → last log point5.769 → 2.747
training steps11,554
tokens processed≈189M (throughput × time)
wall-clock34 min at ~94k tokens/s

training curves

Use

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "kuluruvineeth/manas-64m-pretrain-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-pretrain-moe).

Training

  • Lineage: starts from random weights.
  • Method: next-token prediction plus a router load-balancing loss (coefficient 0.001).
  • Data: pretrain_t2t_mini.jsonl (the quick-start tier of the pretraining corpus) (sources and licenses).
  • Trainer: trainer/train_pretrain.py with --use_moe 1, peak learning rate 5e-4 (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
  • pretrain_moe_768_moe.pth: the raw training checkpoint for the training code
  • pretrain_moe_768_moe_metrics.jsonl, pretrain_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
88af835

0 моделей