/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
542 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Библиотека
transformers
Опубликована
21 сен 2026

drummer2-540m

Генерация текстаТекст → текст3 профессии

Небольшая английская языковая модель, обученная с нуля, для исследований предобучения и экспериментов с генерацией текста.

1 046скачиваний за 30 дней2лайкавеса обновлены8 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

Drummer-540M — авторская языковая модель lukeslp, обученная с нуля и затем продолженная до 15,85 млрд токенов. Это плотная decoder-only модель на архитектуре Llama с 24 слоями и 542,2 млн параметров. Она предназначена для исследований предобучения небольших языковых моделей, контролируемого продолжения обучения, экспериментов с генерацией текста и создания специализированных дообученных моделей. Модель принимает и генерирует текст на английском языке; контекст ограничен 2 048 токенами. Веса опубликованы в формате safetensors, FP32. Лицензия — Apache-2.0.

Модель показала результаты на восьми задачах lm-evaluation-harness и BLiMP, однако её общие знания и рассуждения остаются слабыми. Она не проходила настройку безопасности, может выдумывать факты, воспроизводить смещения и оскорбительный текст, а также противоречить себе. README рекомендует применять её для исследований и экспериментов, а не для решений в критически важных областях.

Сценарии применения

  • исследование предобучения малых языковых моделей
  • эксперименты с продолжением обучения языковой модели
  • генерация продолжений английского текста
  • создание специализированной модели путём дообучения
  • оценка языковых моделей на тестах BLiMP и lm-evaluation-harness

Ограничения

Модель не настроена на безопасность; может выдумывать факты, воспроизводить смещения и оскорбительный текст и противоречить себе. Общие знания и рассуждения слабы, а контекст ограничен 2 048 токенами; не следует полагаться на неё в критически важных решениях.

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

Drummer-540M

Drummer-540M is a 542,310,720-parameter decoder-only language model I trained from scratch. This repository contains the continued Foundation 0.12.0 checkpoint at 15.85B training tokens. It is a research project, not a product.

Architecture

  • Llama-style decoder: 24 layers, hidden size 1,344, feed-forward size 3,584, 21 attention heads and 21 key/value heads, head size 64, RMSNorm, SiLU, rotary positions (theta 10,000), tied embeddings.
  • Vocabulary 16,384, byte-level BPE; context length 2,048 tokens.
  • 542,310,720 parameters. The weights in this repository are stored in float32 (2.17 GB); the public demo serves a bfloat16 copy of the same checkpoint.
  • Weights SHA-256: 84d5b2284b983533fc126c4d3799fa1659f73a0b741c3a3796d5f6414585bc7d.

Training

The base run used 10,846,208,000 tokens in 82,750 updates of 131,072 tokens, seed 20260913. Its mix was FineWeb-Edu 50%, Cosmopedia v2 15%, Wikipedia 15%, Project Gutenberg 10%, and dialogue 10%. The base run used warmup-stable-decay with peak learning rate 5e-4 and a final 10%-of-peak floor.

The continuation carried the model to 15.85B tokens using new FineWeb-Edu, DCLM-Edu and FineMath shards plus replay of the base sources. Relative to Foundation 0.11.0, held-out loss improved 3.46% on the old distribution and 3.43% on the new distribution; replay loss improved 2.08%. BLiMP rose from 0.7435 to 0.8133. The eight-task zero-shot lm-eval mean rose from 0.4698 to 0.4821; the worst single-task change was -0.0016. The preregistered publication gate passed every clause.

About 8% of the base tokens were smol-smoltalk, text generated by Llama-3.1-405B; that model's license includes a naming clause. The continuation used no Llama-derived text.

Evaluation

Benchmark comparison

All rows below were measured by me with lm-evaluation-harness 0.4.13, zero-shot, float32, context 2,048 and seed 20260915.

ModelParamsTrain tokensEight-task meanARC-eARC-cBoolQPIQASIQAHellaSwagOBQAWinoGrande
SmolLM2-360M362M4T.543.680.384.617.719.408.564.382.590
Qwen2.5-0.5B494M18T.514.587.324.624.700.442.521.352.564
Drummer-540M 0.12.0542M15.85B.482.554.290.565.685.411.467.352.533
Drummer-540M 0.11.0542M10.85B.470.528.281.540.687.412.440.348.522
Pythia-410M405M300B.450.457.243.606.672.390.406.294.533
GPT-2 medium355M~10B.444.436.250.586.664.391.394.302.531

MMLU, 57 subjects, zero-shot, example-weighted aggregate: Foundation 0.11.0 at 10.85B tokens scored 0.257, chance level. The released Foundation 0.12.0 checkpoint at 15.85B tokens has no MMLU run on record.

BLiMP, 67 paradigms x 1,000 minimal pairs: Foundation 0.12.0 0.8133; Foundation 0.11.0 0.7435.

IFEval on Chat 0.18.0, a separate fine-tune of the 8.13B-token checkpoint, not this one: 30 of 541 prompts satisfied every instruction under prompt-level strict accuracy. This is included to show how far this model family remains from reliable novel-instruction following.

Intended use

Research on small-model pretraining, controlled continuation and how limited training budgets affect language-model behavior. The model can be used for completion experiments and as a base for narrow fine-tunes.

Limitations and safety

  • No safety tuning. Do not rely on this model for safety-critical, medical, legal, financial or factual decisions.
  • It invents facts, produces biased or offensive text inherited from its training data, and contradicts itself across turns.
  • The 10.85B-token Foundation 0.11.0 parent scored 0.257 on MMLU, at chance level; the released 15.85B-token checkpoint has not been run on MMLU. General knowledge and reasoning remain weak.
  • Context is limited to 2,048 tokens.
  • It does not use tools that are only declared in a prompt: a tools fine-tune of this checkpoint made 0 of 24 valid calls to unseen tools, as the one from 10.85B did. Instruction following was not measured on it; the Chat fine-tune of the 8.13B checkpoint scored 30 of 541 on IFEval.
  • English is the primary language represented and evaluated.

Licenses and attribution

Weights and code: Apache-2.0. This card and project-authored documentation: CC BY 4.0. Training sources retain their own terms. Base run: FineWeb-Edu and Cosmopedia v2 (ODC-By 1.0), Wikipedia (CC BY-SA 4.0; the Hub dataset wikimedia/wikipedia is tagged CC BY-SA 3.0/GFDL), Project Gutenberg via common-pile/project_gutenberg_filtered (public domain in the US), SODA (CC BY 4.0; GPT-3.5 output), and smol-smoltalk (Apache-2.0 data; Llama 3.1 naming clause on the generating model). Continuation: DCLM-Edu (CC BY 4.0), FineMath (ODC-By 1.0), and a small human-transcript share from OANC Switchboard (unrestricted), QuAC (MIT) and Taskmaster (CC BY 4.0).

Evaluation used lm-evaluation-harness (MIT), BLiMP (CC BY 4.0), IFEval (Apache-2.0) and MMLU (MIT); scores are reported, no benchmark data is redistributed here.

Author and citation

Luke Steuber - lukesteuber.com - GitHub

Also by me: Chime-SMS-2M, a 2M-parameter next-word model for phone keyboards, with a demo that runs in your browser.

Steuber, L. (2026). Drummer-540M: a small language model trained from scratch, with matched studies of context. https://drummer-demo.dr.eamer.dev

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
62c58eb

0 моделей