/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
316 млн
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
5 мая 2026

delphi-3e20-447Mparams-122Btokens

Генерация текстаТекст → текст3 профессии

Исследовательская базовая модель Marin семейства Qwen 3 для генерации английского текста и изучения законов масштабирования языковых моделей.

35скачиваний за 30 дней0лайковвеса обновлены19 мая 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

Delphi 3e20 — базовая авторегрессионная языковая модель команды Marin, созданная в рамках набора экспериментов Delphi по законам масштабирования. Это плотная модель семейства Qwen 3 с архитектурой декодера, RMSNorm, RoPE, QK-нормализацией и блоками SwiGLU; в README указано 447 млн параметров. Она обучена на 122 млрд токенов с вычислительным бюджетом 3 × 10²⁰ FLOPs. Модель предназначена для исследований предобучения и масштабирования, оценки поведения языковых моделей при разных вычислительных бюджетах и генерации текста на основе продолжения промпта.

Модель принимает текст и генерирует текст, имеет контекст 4096 токенов и ориентирована на английский язык. Она выпущена как исследовательский артефакт, а не готовая к производственному применению модель; в карточке описаны её место в масштабном исследовательском наборе Delphi и использование в оценочном наборе этого проекта. Лицензия — Apache-2.0.

Это предобученная модель без дообучения на инструкциях, RLHF и выравнивания безопасности. Обучающие данные преимущественно англоязычные, поэтому многоязычное применение не поддерживается; для задач с высокой долей инференса может быть предпочтительна модель, обученная с большим числом токенов относительно размера.

Сценарии применения

  • сравнение качества моделей при разных вычислительных бюджетах
  • исследование влияния объёма обучения на языковую модель
  • генерация продолжений английского текста
  • оценка предобученных моделей на языковых бенчмарках

Ограничения

Модель обучена преимущественно на англоязычных данных, не проходила настройку инструкций, RLHF или выравнивание безопасности. Она предназначена для исследований, а не для производственного применения.

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

delphi-3e20-447Mparams-122Btokens

A 447M-parameter base model from the Delphi scaling suite. Trained at 3 × 10²⁰ FLOPs on 122B tokens with the Delphi recipe.

About Delphi

Delphi is the Marin team's first open scaling suite, inspired by Pythia. It has three parts:

  • a scaling recipe that maps compute budgets to model configurations,
  • a scaling suite of models trained from that recipe at IsoFLOP budgets from 3 × 10¹⁸ to 1 × 10²³ FLOPs, and
  • a scaling law which uses the smaller Delphi models to predict the larger ones.

A pre-registered forecast from that scaling law predicted the final loss of the largest Delphi run (1 × 10²³ FLOPs, 25 B parameters, 600 B tokens) within 0.2%, using 300× less compute than the training run itself. The same process forecasts downstream benchmarks — MMLU, HumanEval, and GSM8K — via a two-step regression combining compute and observational scaling laws.

See "Scaling Laws That Extrapolate 300× Past the Fit" for the recipe, fit, and downstream-eval projections. The full set of Delphi checkpoints — IsoFLOP grid points, held-out optima at 1e21/1e22/1e23 with multiple random seeds, and training intermediates — lives on marin-community on the Hub.

This is a research artifact, not a production model.

Model details

ArchitectureQwen 3 (pre-norm decoder, RMSNorm, RoPE, QK-norm with learned scaling, SwiGLU MLPs)
Parameters447,244,032
Hidden size1024
Layers11
Attention heads8
KV heads8 (no GQA)
Head dim128
FFN intermediate4096 (MLP ratio 4)
Vocab size128,256 (Llama 3 tokenizer)
Max sequence length4096
Position encodingRoPE (θ = 500000, Llama 3-style scaling)
Bias termsNone
Tied embeddingsNo

Training

Compute3 × 10²⁰ FLOPs
Tokens122,339,459,072
Steps58,335
Sequence length4096
OptimizerAdamH (Adam with Hyperball)
RecipeDelphi (Complete(d)P-style scaling with (T₀/T)^0.3 token-horizon LR correction)
LR scheduleWSD: 10% linear warmup, 20% linear decay, 0 floor
Precisionf32 master params, bf16 compute
ParallelismFSDP
Data mixtureNemotron-CC + StarCoderData + ProofPile 2
TokenizerLlama 3 (vocab 128,256)

AdamH, Adam with Hyperball, constrains every projection weight to stay on the Frobenius- norm sphere it was initialized on, so weight decay has nothing to regularize away and falls out of the recipe. A Complete(d)P-style transfer rule with a (T₀/T)^0.3 correction sets learning rate as token horizon grows. Reference constants: B₀ = 64, T₀ = 2.5 B tokens, η₀ = 0.00630, η₀,Adam = 0.000656, ε₀ = 1.85 × 10⁻⁸. Recipe code: experiments/scaling_law_sweeps/completed_adamh.py.

Companion releases

  • All Delphi model checkpoints: marin-community on the Hub.
  • Plot data behind every figure in the blog post: marin-community/delphi-blog-data (one config per figure, with wandb_url on every row).
  • Pipelines that deterministically reproduce the training mixture from public Nemotron-CC, StarCoderData, and ProofPile 2 sources: see the Marin repo.

Evaluation

This checkpoint is part of the Delphi eval suite (experiments/exp1337_eval_suite.py), which scores every Delphi run alongside reference open-weights baselines (Qwen 3, Llama 2/3, OLMo 2, Marin 8B). Following the blog's two-step forecast, soft metrics (per-choice log-prob for multiple-choice tasks, bits-per-byte for generative tasks) carry the signal the scaling law is fit on, and a sigmoid fit on an external model pool maps soft metric to hard metric (accuracy, pass@1, exact-match). Below ~1e21 FLOPs the hard metrics stay near chance even when the underlying probabilities are improving smoothly; that is expected and is exactly why the soft metrics exist.

Limitations

  • Trained on an English-heavy web mixture; no multilingual coverage.
  • Pretrained-only — no instruction tuning, RLHF, or safety alignment.
  • The Delphi recipe targets compute-optimal training, not inference-cost-aware overtraining; for inference-heavy deployments, an overtrained smaller model may be preferable. The blog's "off-optimal training" section quantifies the penalty.
  • This is one checkpoint in a much larger Delphi release; pick the one that matches your compute / parameter / token regime, or browse the full set at marin-community.

Citation

@misc{held2026delphi,
  title  = {Scaling Laws That Extrapolate 300× Past the Fit},
  author = {Held, Will and {Marin Community}},
  year   = {2026},
  url    = {https://openathena.ai/blog/delphi}
}

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
5214cb4

0 моделей