/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
145 млн
Лицензия
MIT
Архитектура
tinymixtral · dense
Библиотека
transformers
Опубликована
31 июл 2026

tinymixtral-v2.0-beta

Генерация текстаТекст → текст3 профессии

Экспериментальная англоязычная модель TinyMixtral для генерации текста с общим и маршрутизируемыми экспертами.

540скачиваний 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/tinymixtral-v2.0-beta — экспериментальная языковая модель автора mikecovlee с архитектурой TinyMixtral и причинным декодером. В MoE-слое используются один постоянно активный общий эксперт и шесть маршрутизируемых экспертов с выбором top-2; внимание использует GQA. Метаданные указывают 145,1 млн параметров, контекст 2048 токенов и формат PyTorch.

Модель предназначена для генерации текста и воспроизведения эксперимента с общим экспертом. Она обучалась на англоязычных данных FineWeb-Edu, Cosmopedia v2 и Wikipedia; в README приведены результаты отдельных тестов языкового понимания. Модель не проходила инструкционную настройку или выравнивание безопасности. Автор отмечает смешанные результаты и отсутствие существенного улучшения от общего эксперта при данном масштабе.

Модель опубликована под лицензией MIT. README характеризует выпуск как beta для исследовательской воспроизводимости, а не как поддерживаемую версию для готовых приложений.

Сценарии применения

  • генерация продолжения англоязычного текста
  • воспроизведение эксперимента с общим экспертом в MoE
  • сравнение небольших языковых моделей на тестах понимания текста

Ограничения

Это beta-экспериментальный выпуск без инструкционной настройки и выравнивания безопасности; автор не рекомендует считать его поддерживаемой версией. Англоязычная ориентация и обучение на 4 млрд токенов ограничивают универсальность, а оценка показала смешанные результаты.

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-v2.0-beta — shared-expert experiment

Experimental architecture-ablation release: adds a DeepSeek-style always-on shared expert to the MoE layer. Beta quality; kept for reproducibility.

Model details

Architecture changes (vs v1.1)

ParameterBaseline (v1.1)Shared Expert (v2)
AttentionGQA 14Q / 2KV (7:1)GQA 16Q / 4KV (4:1)
Head dim6456
Experts6 routed (top-2)1 shared + 6 routed (top-2)
LR scheduleCosineWSD (Warmup-Stable-Decay)
Batch size2422
Total params~432M~498M
Active params~176M~241M

The shared expert is always active (no routing), providing general-purpose features; routed experts specialize via top-2 gating. Output is the sum of both.

Training

  • Data: FineWeb-Edu + Cosmopedia v2 blend (SmolLM-style).
  • LR 7e-4, WSD schedule, warmup 2,000 steps, batch 22 × 1024, 4B tokens.
  • Post-training: knowledge blend (Wiki + Cosmopedia v2), 1B tokens, lr 2e-5, warmup 300, WSD.

Evaluation

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

TaskMetricv1.1 (432M)v2.0 (498M)
HellaSwagacc_norm0.3080.326
PIQAacc0.6160.631
WinoGrandeacc0.5240.506
ARC-Easyacc0.4560.474
ARC-Challengeacc_norm0.2470.272
OpenBookQAacc_norm0.2880.290
BoolQacc0.6060.455
LAMBADAacc0.2270.224
Mean—0.4090.397

Comparison with similar models

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

TaskMetricv2.0 (498M)SmolLM2-360MQwen3-0.6B
HellaSwagacc_norm0.3260.5630.473
PIQAacc0.6310.7190.673
WinoGrandeacc0.5060.5870.563
ARC-Easyacc0.4740.7050.609
ARC-Challengeacc_norm0.2720.3830.340
OpenBookQAacc_norm0.2900.3720.316
BoolQacc0.4550.6200.643
LAMBADAacc0.2240.5320.401

SmolLM2-360M was trained on 4T tokens and Qwen3-0.6B on 36T tokens, versus 4B tokens for v2.0 beta on a single consumer GPU; the gap is primarily a data-budget difference.

Conclusion

The shared expert does not provide substantial improvement at this scale: mixed harness results (HellaSwag/ARC +1.5–2.5pp, BoolQ −15pp) for 15% more total params. At ~241M active params the routing overhead and representational fragmentation outweigh the capacity benefit. The design is more likely to pay off at 1B+ active params (cf. DeepSeek, Mixtral).

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("mikecovlee/tinymixtral-v2.0-beta", trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained("mikecovlee/tinymixtral-v2.0-beta")

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

Limitations

  • Beta / experimental — released for the shared-expert ablation; not a maintained release.
  • Base model only: no instruction tuning or safety alignment.
  • Trained on 4B 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{tinymixtralv2.0beta2026,
  title  = {TinyMixtral: a small Mixture-of-Experts language-model family},
  author = {Michael Lee},
  year   = {2026},
  howpublished = {\url{https://huggingface.co/mikecovlee/tinymixtral-v2.0-beta}}
}

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
6c2bfa5

0 моделей