/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
276 млн
Лицензия
MIT
Архитектура
tinymixtral · MoE
Базовая модель
tinymixtral
Библиотека
transformers
Опубликована
27 сен 2026

tinymixtral-it

Генерация текстаТекст → текст

Компактная англоязычная MoE-модель, дообученная для диалогов, ответов на вопросы и выполнения инструкций.

299скачиваний 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-it (v3.0-it) — компактная разреженная языковая модель с архитектурой Mixture of Experts, разработанная Mike Cov Lee. Это версия базовой mikecovlee/tinymixtral, дообученная следовать инструкциям и вести диалоги. В модели 477,5 млн параметров всего и 276,1 млн активных параметров; на каждом шаге выбираются два из четырёх экспертов. Используются 16 слоёв, Grouped Query Attention с 16 головами и 4 KV-головами, словарь SentencePiece на 32 тыс. токенов и контекст до 2048 токенов.

Модель предназначена для англоязычных диалогов, ответов на вопросы и выполнения инструкций, включая простые задания на общие знания и рассуждение. Дообучение проведено в один проход на 2,17 млн англоязычных примеров из десяти открытых наборов данных. По оценке автора, SFT улучшило следование инструкциям и качество открытых ответов, однако арифметические способности остаются слабыми, а точность на некоторых тестах с выбором ответа после дообучения снизилась.

Модель распространяется в формате PyTorch через Transformers по лицензии MIT. Она англоязычная и не имеет выравнивания безопасности; результаты ограничены её небольшим размером и бюджетом предобучения, поэтому её не следует считать надёжной для сложной арифметики или ответственных применений.

Сценарии применения

  • англоязычный диалог с компактной языковой моделью
  • ответы на вопросы по общим знаниям
  • выполнение текстовых инструкций
  • эксперименты со сравнением разреженных и плотных моделей
  • оценка небольших MoE-моделей на задачах общего рассуждения

Ограничения

Арифметические способности слабы, а после дообучения точность на некоторых тестах с выбором ответа немного снизилась. Модель ориентирована на английский язык и не имеет выравнивания безопасности.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

tinymixtral-it — instruction-tuned MoE

tinymixtral-it (a.k.a. v3.0-it) is the instruction-tuned version of the MoE flagship mikecovlee/tinymixtral: 477.5M total / 276.1M active parameters (top-2 of 4 experts), 2048 context, 32k SentencePiece vocabulary.

It is the MoE counterpart of the dense mikecovlee/tinymistral-276m-it: the exact same 3M-tier SFT recipe (same data, hyper-parameters and schedule) is applied to both the MoE and 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

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

Training

  • Initialization: the public base mikecovlee/tinymixtral (v3.0).
  • Data: 2,168,835 deduplicated and eval-decontaminated English instruction conversations, blended from 10 public sources (Tulu3, OpenHermes, SlimOrca, OpenOrca, UltraChat, MetaMath, OrcaMath, OpenMathInstruct-2, SQuAD2, TriviaQA).
  • Recipe: 1 epoch, sequence packing to 1024 tokens, batch 24, bf16, AdamW, lr 2e-5 (cosine, 100-step warmup), weight decay 0.1, seed 42.

Evaluation

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

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-it (dense + 3M SFT)0.38920.36310.0174 / 0.02050.1460 / 0.2602
tinymistral-276m (dense base)0.39040.38900.0000 / 0.0136—

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.

Per-task (tinymixtral-it): hellaswag 0.340, piqa 0.634, winogrande 0.528, arc_easy 0.448, arc_challenge 0.260, openbookqa 0.302, lambada 0.289 — plus BoolQ 0.426, reported separately (BoolQ is excluded from the 7-task mean above, to match the dense iso-active comparison).

Additional metric:

MetricScore
Open-ended answer quality (LLM rubric, 4,955 held-out prompts, 0–100)15.0 ± 0.3

Note: relative to the base model, instruction following and open-ended answer quality improve substantially while multiple-choice common-sense accuracy drops (BoolQ is the most sensitive task). Arithmetic remains far below practical use. The dense counterpart receives the same SFT recipe and lands close on the 7-task harness (0.3892 vs 0.3994) but is less steerable (IFEval 0.1460 / 0.2602).

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "mikecovlee/tinymixtral-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))

Conversational use via the bundled chat template (tokenizer.apply_chat_template); greedy decoding works well at this scale.

Limitations

  • Absolute numbers are bounded by the 477.5M MoE total / 276.1M active scale and the 8.05B-token pretraining budget; arithmetic remains far below practical use.
  • English-centric, no safety alignment.
  • Multiple-choice common-sense accuracy drops slightly after SFT (BoolQ most sensitive).

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{tinymixtralit2026,
  title  = {TinyMixtral: a small Mixture-of-Experts language-model family},
  author = {Michael Lee},
  year   = {2026},
  howpublished = {\url{https://huggingface.co/mikecovlee/tinymixtral-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
98fc327

0 моделей