/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
276 млн
Лицензия
MIT
Архитектура
tinymixtral · dense
Библиотека
transformers
Опубликована
4 окт 2026

tinymistral-276m

Генерация текстаТекст → текст

Плотная англоязычная базовая языковая модель на 276 млн параметров для генерации текста и экспериментов по сравнению с MoE-архитектурами.

529скачиваний за 30 дней0лайковвеса обновлены5 окт 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

tinymistral-276m — плотная авторегрессионная языковая модель с 276 млн параметров, разработанная mikecovlee. Это предварительно обученная базовая модель без дообучения на инструкциях и без настройки для диалога. Она создана как контрольный вариант для сравнения плотной архитектуры с разреженной MoE-моделью tinymixtral при одинаковом числе активных параметров и вычислениях на токен; модели обучались на одинаковых данных и по одинаковому расписанию.

Модель обучена на 8,05 млрд токенов из англоязычных веб-текстов, образовательных материалов, кода, математики и Википедии. Архитектура — декодерный трансформер с плотным SwiGLU FFN; контекст составляет 2048 токенов. Модель предназначена прежде всего для экспериментов и генерации продолжений текста, а не для готовых диалоговых сценариев. В карточке приведены сравнительные оценки с MoE-вариантом; автор отмечает, что результаты на некоторых тестах близки к случайному уровню.

Модель распространяется под лицензией MIT. Ограничения включают небольшой объём обучения, низкие результаты на знаниях и математических задачах, отсутствие инструкционной настройки и выравнивания безопасности; модель ориентирована на английский язык.

Сценарии применения

  • генерация продолжений англоязычного текста
  • сравнение плотной модели с MoE при одинаковых вычислениях
  • исследование влияния маршрутизации экспертов на качество
  • эксперименты с компактными языковыми моделями

Ограничения

Модель не обучена следовать инструкциям и не выровнена по безопасности, поэтому её выводы не подходят для непосредственного использования в роли ассистента. Она обучена на 8,05 млрд токенов; результаты на тестах знаний близки к случайному уровню, а карточка указывает на слабые показатели по математике.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

tinymistral-276m — 276M dense base

tinymistral-276m is a 276M-parameter dense decoder-only language model — the same-activation-parameter, same-tokens companion to the sparse Mixture-of-Experts model mikecovlee/tinymixtral.

It exists to answer one controlled question: at a fixed active parameter count and fixed FLOPs per token, what does MoE routing buy you? tinymistral-276m (dense, 276M active) is trained on the exact same data, tokenizer, 4-segment WSD schedule, batch size and LR ladder as the 477.5M-total / 276.1M-active MoE tinymixtral. Only the FFN differs.

This is a base (pretrained) model — it has no chat/instruction fine-tuning. The instruction-tuned counterpart is mikecovlee/tinymistral-276m-it.

Model details

tinymistral-276mtinymixtral (MoE)
ArchitectureDense SwiGLU FFN4 routed experts, top-2, aux 1e-3
Total parameters276,073,472477,465,600
Active parameters276,073,472276,139,008
FFN intermediate40962048 (per expert)
FFN MACs / token / layer12,582,91212,582,912 (top-2)
Hidden size10241024
Layers1616
AttentionGQA 16 Q / 4 KV heads, head_dim 64same
Context length20482048
PositionalRoPE θ = 1e6, QK-Normsame
Norm / embeddingsPre-RMSNorm (eps 1e-6), tied embeddingssame
Vocab32,000 (TinyLlama tokenizer)same
Precisionfloat32 checkpoint (bf16 training)same
LicenseMITMIT

The two models are iso-FLOPs per token and differ by exactly the 16 router matrices (16 × 1024 × 4 = 65,536 parameters, 0.024%).

Training

  • Tokens: 8.05B, split into 4 strictly disjoint segments (2.00 / 1.94 / 2.20 / 1.91B, zero repetition).
  • Schedule: WSD per segment — warmup 700 steps → constant → linear decay over the final 10%. LR ladder 5e-4 / 5e-4 / 4e-4 / 3e-4 across S1→S4.
  • Batch: 48 × 1024 tokens = 49,152 tokens/step.
  • Optimizer: AdamW β(0.9, 0.95), weight decay 0.1 (no decay on norms/embeddings), grad clip 1.0.
  • Precision: bf16 autocast + bf16 optimizer states; gradient checkpointing.
  • Seed: 42. Segment boundaries are the anneal points; AdamW momentum carries across segments.
  • Hardware: single NVIDIA RTX PRO 4500 (Blackwell, 32 GB), ~23k tokens/s.

Data mix

FineWeb-Edu 44% · DCLM (web) 20% · Cosmopedia v2 12.5% · code (OpenCodeInstruct) 12.5% · math (OpenWebMath) 6% · Wikipedia 6% (shares rounded, sum ≈ 100%).

Evaluation

Same-hardware evaluation (lm_eval 0.4.12, 0-shot, no chat template). Harness = mean of the 7 primary metrics (hellaswag acc_norm, piqa acc, winogrande acc, arc_easy acc, arc_challenge acc_norm, openbookqa acc_norm, lambada acc).

Metrictinymistral-276m (dense)tinymixtral (MoE)
val PPL (@8.05B, held-out)16.3315.59
7-task harness0.39040.3992
MMLU 5-shot0.25900.2480
TruthfulQA MC1 / MC20.2411 / 0.43040.2375 / 0.4169
GSM8K strict / flexible0.0000 / 0.01360.0000 / 0.0159

Harness note. Means quoted here use the 7-task harness (excludes BoolQ); the flagship base card reports an 8-task mean (includes BoolQ). The two are not directly comparable.

Takeaway: at fixed active parameters and fixed FLOPs, the routed MoE is +0.88 pp on the 7-task harness and 4.7% lower val PPL — routing provides a real gain at this budget. MMLU / TruthfulQA are near chance for both models and are noise-dominated. This supports scaling the sparse-MoE path rather than reverting to dense.

Held-out val PPL across the four segments (dense vs MoE): 17.79/17.16 → 16.65/16.22 → 16.51/15.81 → 16.33/15.59.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "mikecovlee/tinymistral-276m"
tok = AutoTokenizer.from_pretrained(repo, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(repo, trust_remote_code=True)

inputs = tok("The capital of France is", return_tensors="pt")
out = model.generate(**inputs, max_new_tokens=32, do_sample=False)
print(tok.decode(out[0], skip_special_tokens=True))

Requires transformers and trust_remote_code=True (custom tinymixtral architecture).

Limitations

  • Base model: no instruction tuning; not a chat model. Outputs should not be used as-is for assistant tasks.
  • Trained on only 8.05B tokens — far below modern small-model budgets (SmolLM2-360M / Qwen3-0.6B use 2–36T). Knowledge is capacity/budget-bound: MMLU ≈ chance, GSM8K ≈ 1–2%.
  • English-centric, no safety alignment.

Family

Naming. The MoE family is published under tinymixtral; the dense 276M iso-active ablation companions use the tinymistral spelling. Both belong to the same project.

Citation

@misc{tinymistral276m2026,
  title  = {TinyMixtral: a small Mixture-of-Experts language-model family},
  author = {Michael Lee},
  year   = {2026},
  howpublished = {\url{https://huggingface.co/mikecovlee/tinymistral-276m}}
}

License

MIT (Copyright (C) 2026 Michael Lee).

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

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

Класс архитектуры
TinyMixtralForCausalLM
Ревизия весов
9debffd

0 моделей