/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
276 млн
Лицензия
MIT
Архитектура
tinymixtral · dense
Базовая модель
tinymistral-276m
Библиотека
transformers
Опубликована
5 окт 2026

tinymistral-276m-it

Генерация текстаТекст → текст

Компактная англоязычная модель на 276 млн параметров для диалогов и генерации текста по инструкциям.

432скачиваний 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

mikecovlee/tinymistral-276m-it — англоязычная плотная языковая модель с 276 млн параметров, дообученная компанией или автором mikecovlee для следования инструкциям и диалоговой генерации. Она построена на архитектуре TinyMixtral с плотным SwiGLU FFN и является дообученной версией mikecovlee/tinymistral-276m. Модель предназначена для ответов на запросы, диалогов и базовых задач генерации текста; разработчик также позиционирует её как контрольную точку для сравнения плотной и MoE-архитектур при одинаковом бюджете SFT.

Для дообучения использованы около 2,17 млн англоязычных примеров из десяти открытых наборов данных; обучение проводилось в течение одной эпохи с упаковкой последовательностей до 1024 токенов. Максимальная длина контекста модели — 2048 токенов. Весовые файлы доступны в формате PyTorch, лицензия — MIT; для загрузки через Transformers требуются trust_remote_code=True и поддержка пользовательской архитектуры.

Модель компактна и может быть полезна для экспериментов и простых инструкционных сценариев, однако её возможности ограничены размером 276 млн параметров и бюджетом предобучения 8,05 млрд токенов. В README отмечены слабые результаты на задачах знаний и рассуждений, ограниченная прибавка в математике и следовании инструкциям, англоязычная специализация и отсутствие выравнивания по безопасности.

Сценарии применения

  • ответы на простые запросы на английском языке
  • генерация текста по инструкциям
  • создание простого англоязычного чат-бота
  • эксперименты с дообучением компактных языковых моделей
  • сравнение плотной модели с MoE при одинаковом бюджете SFT

Ограничения

Модель ограничена масштабом 276 млн параметров и предобучением на 8,05 млрд токенов: знания и математические рассуждения слабы, а улучшение следования инструкциям умеренное. Она ориентирована на английский язык и не имеет выравнивания по безопасности.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

tinymistral-276m-it — instruction-tuned dense

tinymistral-276m-it is the instruction-tuned version of the 276M dense base mikecovlee/tinymistral-276m. It is the dense counterpart of the MoE flagship mikecovlee/tinymixtral-it: the exact same 3M-tier SFT recipe (same data, hyper-parameters and schedule) is applied to the dense base, so the two instruction-tuned models can be compared at the same active-parameter count and the same SFT budget.

Model details

tinymistral-276m-ittinymixtral-it (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)
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

Training

  • Initialization: the 8.05B-token final checkpoint of the dense base tinymistral-276m.
  • SFT recipe: identical to the MoE flagship tinymixtral-it (3M tier) — 2,168,835 deduplicated, eval-decontaminated English instruction conversations blended from 10 public sources (Tulu3, OpenHermes, SlimOrca, OpenOrca, UltraChat, MetaMath, OrcaMath, OpenMathInstruct-2, SQuAD2, TriviaQA), 1 epoch, sequence packing to 1024 tokens, batch 24, AdamW lr 2e-5 (cosine, 100-step warmup), weight decay 0.1, seed 42 → 56,793 steps.
  • Hardware: single NVIDIA RTX PRO 4500 (Blackwell, 32 GB), 1036.5 min (17.3 h).

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).

Model7-task harness7-task all-accGSM8K strict / flexIFEval prompt / inst
tinymixtral-it (MoE + 3M SFT)0.39940.36910.0182 / 0.02050.1756 / 0.2782
tinymixtral (MoE base)0.3992—0.0000 / 0.0159—
tinymistral-276m (dense base)0.39040.38900.0000 / 0.0136—
tinymistral-276m-it0.38920.36310.0174 / 0.02050.1460 / 0.2602

Harness note. Means quoted here use the 7-task harness (excludes BoolQ); the base v1.0/v3.0 cards report an 8-task mean (includes BoolQ). The two are not directly comparable.

Takeaways:

  • SFT transfers to the dense base: GSM8K flexible rises from 0.0136 (dense base) to 0.0205, matching the MoE flagship under the same recipe.
  • The 7-task harness barely moves (0.3904 → 0.3892), the same pattern as the MoE flagship — SFT mainly buys instruction-following and math, not general tasks.
  • Instruction following is weaker on the dense base: IFEval 0.1460 / 0.2602 vs 0.1756 / 0.2782 for tinymixtral-it — the dense base is less steerable than the MoE base.
  • Absolute numbers remain bounded by the 276M scale and the 8.05B-token pretraining budget.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "mikecovlee/tinymistral-276m-it"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, trust_remote_code=True, dtype="bfloat16", device_map="auto")

messages = [{"role": "user", "content": "What is 12% of 250?"}]
ids = tok.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to(model.device)
out = model.generate(ids, max_new_tokens=256, do_sample=False)
print(tok.decode(out[0][ids.shape[1]:], skip_special_tokens=True))

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

Limitations

  • The base was pretrained on only 8.05B tokens — far below modern small-model budgets; knowledge tasks (MMLU / TruthfulQA) are near chance.
  • Math/reasoning is bounded by the 276M scale and the pretraining budget; SFT only helps marginally.
  • 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{tinymistral276mit2026,
  title  = {TinyMixtral: a small Mixture-of-Experts language-model family},
  author = {Michael Lee},
  year   = {2026},
  howpublished = {\url{https://huggingface.co/mikecovlee/tinymistral-276m-it}}
}

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
ba1bf78

0 моделей