/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
276 млн
Лицензия
MIT
Архитектура
tinymixtral · MoE
Библиотека
transformers
Опубликована
21 июл 2026

tinymixtral

Генерация текстаТекст → текст3 профессии

TinyMixtral v3.0 — компактная разреженная MoE-модель для генерации текста и диалогов.

585скачиваний 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

TinyMixtral v3.0 — разреженная языковая модель с архитектурой Mixture of Experts от mikecovlee. Модель обучена с нуля на 8,05 млрд токенов; в ней около 477,5 млн параметров всего и 276 млн активных. Используется маршрутизация top-2 из четырёх экспертов, 16 слоёв и Grouped Query Attention. Репозиторий содержит веса Safetensors для Transformers, а контекст модели составляет 2048 токенов.

Модель предназначена для генерации текста и диалоговых сценариев. В обучающую смесь вошли веб-тексты, образовательные и синтетические данные, код и Википедия; в README приведены результаты тестирования на наборах задач общего рассуждения. Результаты ниже некоторых более крупных моделей, обученных на существенно большем числе токенов, а среди отмеченных слабых мест — ARC-Challenge. Лицензия — MIT.

Сценарии применения

  • генерация продолжений текста
  • создание диалогового ассистента
  • ответы на простые вопросы
  • черновое решение задач общего рассуждения

Ограничения

Контекст ограничен 2048 токенами. В сравнении с более крупными моделями результаты ниже на ряде тестов, а ARC-Challenge отмечен как слабое место.

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

tinymixtral — v3.0 MoE flagship

Flagship release. A Mixtral-style sparse MoE language model: ~477.5M total / ~276.1M active parameters (top-2 of 4 routed experts), trained from scratch on 8.05B tokens on a single GPU.

  • HF repo: mikecovlee/tinymixtral

Model details

ParameterValue
hidden_size1024
num_layers16
AttentionGrouped Query Attention (16 heads / 4 KV heads)
Head dim64
RoPE theta1,000,000
NormRMSNorm + per-head QK-Norm (pre-RoPE)
Experts4 routed (top-2), aux loss 1e-3
Expert FFNSwiGLU, intermediate = 2048
Vocab size32,000 (tied embeddings)
Max position2,048
Total params~477.5M
Active params~276.1M

Design decisions (validated by a 400M-token ablation matrix):

  • top-2 routing — top-1 was +12.2–19.5% worse in val PPL at 400M tokens; maintain top-2.
  • QK-Norm kept — neutral at 400M tokens, retained as the trunk default.
  • aux = 1e-3 — the auxiliary-loss coefficient is insensitive in the 4-expert / top-2 ablation.
  • LR ladder 5e-4 / 5e-4 / 4e-4 / 3e-4 across the four segments (5e-4 was the sole significant factor, −5.3% val PPL in the matrix).

Training

Four ~2B-token segments, each with its own complete WSD schedule (warmup 700 → stable → linear decay over the final 10%); the segment boundary is the anneal point.

SegTokens (cum.)StepsWallPeak LRval PPL
S12.00B40,64038.8 h5e-417.16 @40k
S23.94B39,42137.6 h5e-416.22 @38k
S36.14B44,70442.8 h4e-415.81 @44k
S48.05B38,81137.1 h3e-415.59 @38k
  • bf16 weights + autocast, bf16 optimizer states (--bf16-optim), chunked cross-entropy, seed 42
  • batch 48 × 1024 = 49,152 tokens/step, ~14.3k tok/s
  • gradient clipping 1.0, AdamW (β=0.9, 0.95, wd 0.1), hourly keep-last-2 checkpoints

Training data

8.05B unique tokens, zero repetition, drawn from six public corpora and split into four strictly disjoint ~2B-token pools (no token is seen twice across the four segments). Validation always uses a held-out shard set that never appears in training.

SourceHF datasetShare
FineWeb-EduHuggingFaceFW/fineweb-edu (sample-10BT)44%
DCLM webmlfoundations/dclm-baseline-1.020%
Cosmopedia v2 (synthetic)HuggingFaceTB/cosmopedia-v212.5%
Codenvidia/OpenCodeInstruct12.5%
Mathopen-web-math/open-web-math6%
Wikipediawikimedia/wikipedia (20231101.en)6%

Shares are rounded and sum to ~100%.

Evaluation

Measured with lm-evaluation-harness v0.4.12, 0-shot (cuda, bf16).

v3.0 (S4, 8.05B tokens) vs the previous releases:

TaskMetricv3.0 (477M/276M)tinymixtral-v1.1-1b (1182M/352M)tinymixtral-v1.1-0.5b (432M)tinymixtral-v2.0-beta (498M)
HellaSwagacc_norm0.3350.3290.3080.326
PIQAacc0.6380.6300.6160.631
WinoGrandeacc0.5150.5230.5240.506
ARC-Easyacc0.4780.4790.4560.474
ARC-Challengeacc_norm0.2550.2790.2470.272
OpenBookQAacc_norm0.2960.3060.2880.290
BoolQacc0.6150.6200.6060.455
LAMBADAacc0.2680.2340.2270.224
Mean—0.42500.4250.4090.397

Harness note. The mean above is the 8-task harness (includes BoolQ); the dense and instruction-tuned cards report a 7-task mean (excludes BoolQ). The two are not directly comparable.

Comparison with similar models

Same suite and settings, measured locally (lm-evaluation-harness v0.4.12, 0-shot, cuda, bf16):

TaskMetricv3.0 (477M)SmolLM2-360MQwen3-0.6B
HellaSwagacc_norm0.3350.5630.473
PIQAacc0.6380.7190.673
WinoGrandeacc0.5150.5870.563
ARC-Easyacc0.4780.7050.609
ARC-Challengeacc_norm0.2550.3830.340
OpenBookQAacc_norm0.2960.3720.316
BoolQacc0.6150.6200.643
LAMBADAacc0.2680.5320.401

SmolLM2-360M was trained on 4T tokens and Qwen3-0.6B on 36T tokens, versus 8.05B tokens (~500× and ~4500× less) for v3.0 on a single consumer GPU — the gap is primarily a data-budget difference, and v3.0 is competitive on BoolQ (0.615 vs 0.620 / 0.643).

Data efficiency: v3.0 matches the 1B MoE trained on the same 8B tokens using 2.5× fewer total parameters and 1.28× fewer active parameters (~1.3× fewer FLOPs per token).

Notes:

  • Persistent weak spot: ARC-Challenge (0.255 vs 0.279 for the 1B MoE) — long-training sensitive, but it narrowed from −3.2pp at 6B to −2.4pp at 8B.
  • v3.0 vs 6B (S3, mean 0.4257) is within noise; S4 is best on the most tasks.
  • Early (10k–14k) and late (32k–34k) val-PPL bumps were transient low-entropy shard effects that self-healed (36k=16.31 → 38k=15.59); no data-pool change was needed.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("mikecovlee/tinymixtral", trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained("mikecovlee/tinymixtral")

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

Requires transformers and trust_remote_code=True (custom tinymixtral architecture). This is a base (pretrained) model; for chat use the instruction-tuned mikecovlee/tinymixtral-it.

Limitations

  • Base model: no instruction tuning or safety alignment; not a chat model.
  • Trained on only 8.05B tokens — knowledge tasks (MMLU, ARC-Challenge) are capacity/budget-bound and far below models trained on trillions of tokens.
  • English-centric.

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{tinymixtral2026,
  title  = {TinyMixtral: a small Mixture-of-Experts language-model family},
  author = {Michael Lee},
  year   = {2026},
  howpublished = {\url{https://huggingface.co/mikecovlee/tinymixtral}}
}

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
d84f93e

0 моделей