/ Модель

Характеристики

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

tinymixtral-v1.1-1b

Генерация текстаТекст → текст3 профессии

Компактная разреженная MoE-модель TinyMixtral для генерации текста и диалогов, обученная на образовательных веб-текстах и синтетических учебных материалах.

1 630скачиваний 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 v1.1-1b — компактная разреженная языковая модель семейства TinyMixtral от mikecovlee, предназначенная для генерации текста и диалогов. В метаданных Hugging Face указано 276 млн параметров; README описывает вариант как MoE-модель примерно с 1,18 млрд общих и 352 млн активных параметров, использующую два из восьми экспертов на токен. Архитектура включает 16 слоёв и групповое запросное внимание GQA с 16 головами и четырьмя KV-головами; длина контекста — 2048 токенов.

Модель предварительно обучена на смеси FineWeb-Edu и Cosmopedia v2. В README приведены результаты тестов на задачах понимания текста и рассуждения, а также отмечено, что увеличение объёма предобучения улучшало показатели, тогда как дополнительное дообучение на небольшом объёме данных почти не изменило их. Модель можно применять для экспериментов с генерацией текста и диалогами; сравнительные результаты указывают на заметно более низкие показатели, чем у приведённых моделей SmolLM2-360M и Qwen3-0.6B.

Лицензия модели — MIT. Русский язык в данных не заявлен, поэтому модель не следует считать специально рассчитанной на русскоязычные задачи.

Сценарии применения

  • генерация продолжений текста
  • создание простых диалоговых ответов
  • эксперименты с архитектурами MoE
  • оценка языковой модели на задачах рассуждения и понимания текста

Ограничения

Контекст ограничен 2048 токенами. В приведённых оценках показатели умеренные, а instruction-following остаётся слабым и почти не улучшается от дополнительного предобучения.

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-v1.1-1b — 1B MoE

Earlier flagship (before v3.0). A wider sparse MoE: ~1.18B total / ~352M active params (top-2 of 8 routed experts), trained on a SmolLM-inspired blend.

Model details

ParameterValue
hidden_size1024
num_layers16
AttentionGQA (16 heads / 4 KV heads)
Head dim64
RoPE theta1,000,000
NormRMSNorm
Experts8 routed (top-2)
Expert FFNSwiGLU, intermediate = 2816
Vocab size32,000
Max position2,048
Total params~1.18B
Active params~352M

Training

PhaseDataLRTokensStepsTimeEnd loss
PretrainSmolLM blend (89:11)7e-44B244,141~102.5 h1.9*
Continuationnon-overlapping new 4B, same 89:114.2e-44B121,92160.4 h1.80

* Decay-phase loss plateaued at ~1.9 then spiked to 3.4 in the final ~300 steps as the data stream wrapped back to the start of the corpus.

Data: FineWeb-Edu + Cosmopedia v2 (89:11). Pretrain batch 16 × 1024 (16,384 tokens/step) → 4B tokens in 244,141 steps; warmup 2,000 steps. The continuation added 4B tokens in 121,921 steps (~32k tokens/step).

Evaluation

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

TaskMetric1B MoE 4B1B MoE 8B
HellaSwagacc_norm0.3110.329
PIQAacc0.6200.630
WinoGrandeacc0.5100.523
ARC-Easyacc0.4630.479
ARC-Challengeacc_norm0.2730.279
OpenBookQAacc_norm0.2880.306
BoolQacc0.5480.620
LAMBADAacc0.2000.234
Mean—0.4020.425

Doubling pretrain tokens improved every task (BoolQ +7.2pp, LAMBADA +3.5pp, mean +2.3pp).

Few-shot: HellaSwag 10-shot acc_norm 0.312 · WinoGrande 5-shot acc 0.524 · ARC-Easy 25-shot acc_norm 0.468 · ARC-Challenge 25-shot acc_norm 0.262.

Comparison with similar models

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

TaskMetric1B MoE (8B)SmolLM2-360MQwen3-0.6B
HellaSwagacc_norm0.3290.5630.473
PIQAacc0.6300.7190.673
WinoGrandeacc0.5230.5870.563
ARC-Easyacc0.4790.7050.609
ARC-Challengeacc_norm0.2790.3830.340
OpenBookQAacc_norm0.3060.3720.316
BoolQacc0.6200.6200.643
LAMBADAacc0.2340.5320.401

SmolLM2-360M was trained on 4T tokens and Qwen3-0.6B on 36T tokens, versus 8B tokens for the 1B MoE on a single consumer GPU; the gap is primarily a data-budget difference.

Instruction following (IFEval)

IFEval (instruction-level loose accuracy), --apply_chat_template:

ModelIFEval inst-level loose
1B MoE 4B0.222
1B MoE 5B (post-train)0.234
1B MoE 8B (continuation)0.221

Instruction-following stays flat (~0.22) — more pretraining tokens do not improve it.

Post-training (negative result)

Post-trained from the lowest-loss pretrain checkpoint with the v1.1 recipe (Wiki + Cosmopedia v2 50:50, 1B tokens, lr 2e-5, warmup 300, WSD, 60,975 steps, ~26 h). Loss fell 2.98 → 1.8 but downstream metrics were unchanged:

TaskPretrain (4B)Post-train (5B)
HellaSwag (acc_norm)0.3110.313
PIQA (acc)0.6200.623
WinoGrande (acc)0.5100.505
ARC-Easy (acc)0.4630.465
ARC-Challenge (acc_norm)0.2730.272
OpenBookQA (acc_norm)0.2880.290
BoolQ (acc)0.5480.528
LAMBADA (acc)0.2000.195

At this scale, low-LR post-training on a knowledge blend lowers the loss but does not transfer to task ability.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("mikecovlee/tinymixtral-v1.1-1b", trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained("mikecovlee/tinymixtral-v1.1-1b")

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

Limitations

  • Base model only: no instruction tuning or safety alignment.
  • Trained on 8B tokens; English-centric. Superseded by the v3.0 flagship.

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{tinymixtralv1.11b2026,
  title  = {TinyMixtral: a small Mixture-of-Experts language-model family},
  author = {Michael Lee},
  year   = {2026},
  howpublished = {\url{https://huggingface.co/mikecovlee/tinymixtral-v1.1-1b}}
}

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
0f6809a

0 моделей