/ Модель

Характеристики

Контекст
512 токенов
Параметры
37,4 млн
Лицензия
Своя лицензия
Архитектура
deberta-v2 · dense
Библиотека
transformers
Опубликована
31 авг 2026

Qiushi-BabyLM-34M-Strict-Small-v2

Заполнение пропусковТекст → текст3 профессии

Англоязычная DeBERTa-v2 с 37,4 млн параметров для заполнения пропусков и исследований эффективного предобучения на ограниченном объёме данных.

18скачиваний за 30 дней1лайквеса обновлены31 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Qiushi-BabyLM-34M-Strict-Small-v2 — англоязычная маскированная языковая модель, разработанная Qiushi Engine для открытых исследований предобучения с эффективным использованием данных. Она предназначена для предсказания скрытых токенов и оценки языковых знаний на задачах вроде бенчмарков BabyLM.

Модель использует архитектуру DeBERTa-v2 с 37,4 млн параметров и контекстом до 512 токенов. Она обучена с нуля на фиксированном бюджете англоязычных данных; вариант U256 делит длинные примеры на продолжения длиной до 256 токенов, чтобы сохранить хвосты строк и показать модели больше уже оплаченного обучающего текста. Это исследовательский эксперимент по подготовке примеров, а не новая цель обучения. В локальной оценке авторы отмечают компромисс между метриками: улучшение общего результата относительно сопоставимой базовой версии сопровождалось снижением результата Reading.

Модель подходит для исследований языкового моделирования и заполнения пропусков в английском тексте. Для загрузки и применения предусмотрен Transformers. В метаданных указана лицензия other; конкретные условия использования следует сверять с файлами репозитория.

Сценарии применения

  • предсказание скрытых слов в английском тексте
  • оценка грамматических знаний на бенчмарках BabyLM
  • эксперименты с эффективностью использования обучающих данных
  • исследование влияния разбиения длинных примеров на качество языковой модели

Ограничения

Модель рассчитана на английский текст и ограничена контекстом в 512 токенов. В сравнении с сопоставимой базовой версией общий результат улучшился, но метрика Reading снизилась; результаты локальной оценки не являются официальными баллами таблицы лидеров.

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

Qiushi-BabyLM-34M Strict-Small v2

Qiushi-BabyLM-34M-Strict-Small-v2 is a 34.47M-parameter English masked language model developed by Qiushi Engine for public research on data-efficient pretraining.

This version evaluates U256 Faithful Experience Utilization, a controlled training-example construction. Long tokenized rows are segmented into continuation chunks of at most 256 tokens instead of silently dropping row tails. This exposes the model to all text already charged to the fixed word budget; it does not add training words, epochs, external labels, or a new objective.

Model

PropertyValue
ArchitectureDeBERTa-v2 masked language model
Parameters34,467,424
Layers8
Hidden size480
Attention heads8
FFN size1,920
Vocabulary16,384 byte-level BPE tokens
Training sequence lengthUp to 256 tokens
Objective15% whole-word masking

The architecture, tokenizer algorithm, objective, and optimizer are intentionally standard. The experimental variable is how already-budgeted training experience is made visible to the model.

The public method contract and standalone chunking reference are included in U256_METHOD.md and u256_reference.py.

Training

The tokenizer was trained only on the same 10,000,000-word pool used for pretraining. The model was initialized from random weights and received exactly 100,000,000 charged word exposures over 10 epochs.

The fixed-budget corpus combines permitted English sources with compact text-only semantic views generated by Qwen3.5-9B. No teacher weights, hidden states, logits, or tokenizer were transferred to the student. U256 increased visible BPE-token coverage by approximately 2.59% relative to row-level truncation while preserving the same corpus, word accounting, example multiset, model, tokenizer, masking objective, optimizer, and random-seed family.

Training used AdamW, a peak learning rate of 0.001, weight decay 0.01, 6% linear warmup followed by cosine decay, effective batch size 256, and fixed 15% whole-word masking. The initialization seed was 43022; framework and training-stream seeds were 43 and 43023.

Evaluation

The following scores come from a complete local run of the BabyLM 2026 Strict-Small official-compatible evaluation and collation pipeline. The run includes the full checkpoint ladder required for AoA. These values are not represented as official leaderboard scores until the public leaderboard accepts and scores the submitted predictions.

MetricScore
BLiMP66.8172
BLiMP Supplement60.8477
EWoK50.3861
Entity Tracking28.4331
COMPS51.6455
(Super)GLUE70.3747
GlobalPIQA36.1359
Reading7.3229
AoA0.0000
Overall41.3292

Against its strictly matched baseline, U256 improved Overall by 0.0715, with gains in BLiMP and Entity Tracking and a material decline in Reading. It should therefore be interpreted as a measured experience-utilization tradeoff, not as a state-of-the-art claim or evidence that longer visibility universally improves downstream performance.

Usage

from transformers import AutoModelForMaskedLM, AutoTokenizer

repo_id = "leslie721007/Qiushi-BabyLM-34M-Strict-Small-v2"
tokenizer = AutoTokenizer.from_pretrained(repo_id)
model = AutoModelForMaskedLM.from_pretrained(repo_id)

text = f"The child {tokenizer.mask_token} the book."
inputs = tokenizer(text, return_tensors="pt")
outputs = model(**inputs)

This is a research masked language model, not an instruction-tuned conversational assistant. It should not be used as a source of factual, medical, legal, financial, or safety-critical advice.

Reproducibility and privacy

The public package includes exact file hashes. Credentials, private system code, local paths, internal research traces, and operational logs are intentionally excluded.

License

The weights are released for public research evaluation. Rights and conditions attached to third-party source corpora and generated text remain unaffected.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
DebertaV2ForMaskedLM
Ревизия весов
75dabf5

0 моделей