/ Модель

Характеристики

Контекст
512 токенов
Параметры
31,1 млн
Лицензия
Своя лицензия
Архитектура
tolm · dense
Библиотека
transformers
Опубликована
15 июл 2026

mosaic-sleep-d384-bbpe16k

Заполнение пропусковТекст → текст3 профессии

Компактная англоязычная masked language model семейства BabyLM для заполнения пропусков и экспериментов с ограниченным языковым обучением.

13скачиваний за 30 дней0лайковвеса обновлены21 июл 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

miguelcsx/mosaic-sleep-d384-bbpe16k — англоязычная компактная модель masked language modeling от автора miguelcsx, опубликованная как один из пяти контролируемых запусков семейства BabyLM Strict-Small. Это плотный masked encoder в стиле LTG-BERT с относительным вниманием: в README указано 33,3 млн параметров, 12 слоёв и размер скрытого состояния 384; метаданные каталога относят архитектуру к TOLM и указывают класс TOLMForMaskedLM. Модель обучена на корпусе miguelcsx/babylm-2026-mosaic-bpe-corpus и предназначена для предсказания замаскированных фрагментов и исследовательских экспериментов с языковым обучением на ограниченных данных.

Вариант использует совместную рецептуру перекомпоновки корпуса и вспомогательных шумовых целей, а также выборочную самодистилляцию с EMA-состояния того же запуска. В README приведены результаты локальных оценок BabyLM и настройки обучения, включая bfloat16 и 16 384 токена на обновление; заявлений о лидерстве или превосходстве карточка не делает. Модель завершила локальные конвейеры zero-shot, чтения, AoA и дообучения, но остаётся небольшой masked LM, а не универсальным чат-ассистентом.

Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия обозначена как other, поэтому условия использования следует сверять с файлами репозитория. Карточка отмечает, что это единственный запуск данной рецептуры: он не позволяет оценить разброс между запусками или делать причинные выводы о влиянии рецептуры.

Сценарии применения

  • предсказание пропущенных слов в английском тексте
  • оценка грамматических предпочтений модели на тестах BabyLM
  • эксперименты с маскированным языковым моделированием на малых корпусах
  • дообучение компактной языковой модели для исследовательских задач

Ограничения

Это один обученный запуск, поэтому модель не оценивает вариативность между запусками; она предназначена для английского masked language modeling и не является универсальным ассистентом. Лицензия указана как other, а метрики в карточке являются локальными результатами разработки без заявлений о рейтинге или превосходстве.

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

Historical teacher checkpoint

This repository contains one trained member of a controlled five-run BabyLM Strict-Small family. The runs share source data, tokenizer, backbone, initialization seed, primary masked-language-model objective, main optimization schedule, and nominal exposure. There is one trained run per recipe, and added objectives require unequal training compute. Comparisons are descriptive.

Model and data

PropertyValue
Architecturecustom LTG-BERT-style masked encoder with relative attention
Parameters33,320,644
Layers / hidden size12 / 384
Attention heads / FFN size6 / 1,280
Context length512
Tokenizerbyte-level BPE, 16,384 entries
Primary objectivecomplementary whole-word masking + data2vec
Source corpus9,572,138 words
Deterministic replay427,862 words
Corpus per pass10,000,000 words
Nominal exposure100,000,000 words

Training operations

This run uses the joint corpus-recombination and noisy-auxiliary recipe. It also stores its own 40M-word EMA parameters. After 40M, the stored teacher is evaluated on the same masked targets. Up to 25% of targets receive a temperature-2 KL loss of weight 0.20 when teacher cross-entropy is lower than student cross-entropy by more than 0.05.

This is selective self-distillation from an earlier state of the same run. A comparison with a separately trained checkpoint does not identify consolidation, preservation, or forgetting effects.

Shared training settings include LAMB with peak learning rate 0.0035, a cosine schedule with 1.6% warmup and cooldown, bfloat16, 16,384 tokens per update, data2vec weight 0.5, and EMA decay 0.9998.

Usage

from transformers import AutoModelForMaskedLM, AutoTokenizer

repo_id = "miguelcsx/mosaic-sleep-d384-bbpe16k"

tokenizer = AutoTokenizer.from_pretrained(repo_id, revision="main")
model = AutoModelForMaskedLM.from_pretrained(
    repo_id,
    revision="main",
    trust_remote_code=True,
)

main and chck_100M contain the final checkpoint. Earlier checkpoints are stored as chck_1M through chck_10M, then chck_20M through chck_90M.

Remote code is required for the custom inference class. Review tolm.py before loading it in a security-sensitive environment. The canonical code is maintained at github.com/miguelcsx/tolm.

Local evaluation record

The final checkpoint completed local runs of the BabyLM zero-shot, reading, AoA, and fine-tuning pipelines. These are development results; this card makes no leaderboard rank or superiority claim.

EvaluationScore
BLiMP68.86
BLiMP Supplement58.81
EWoK51.61
Entity Tracking22.84
COMPS53.16
GlobalPIQA37.62
Eye-tracking10.89
Self-paced reading4.81
Reading composite7.85
AoA, model-specific support-0.1309

Fine-tuning development results are BoolQ 66.30, MNLI 58.50, MRPC F1 84.49, MultiRC 68.56, QQP F1 72.36, RTE 69.06, and WSC 65.38.

The AoA value is the output of the official BabyLM M-NTP pipeline on this model's eligible words. It is an estimator-specific correspondence measure, not a literal acquisition age or a recipe effect. This family member was used for the Strict-Small submission before the later four-run post-hoc AoA comparison; AoA played no role in submission or checkpoint selection.

Machine-readable configuration and file provenance are recorded in training_manifest.json and release_manifest.json.

Limitations

  • This is one trained run, so it does not estimate training-run variance.
  • The model is a small English masked LM, not a general-purpose assistant.
  • The recipe label describes implemented training operations. It does not establish consolidation, child-like memory, or causal claims about children.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
TOLMForMaskedLM
Ревизия весов
fab43d7

0 моделей