/ Модель

Характеристики

Контекст
131 072 токена
Параметры
1,2 млрд
Архитектура
llama · dense
Базовая модель
Llama-3.2-1B-Instruct
Библиотека
transformers
Опубликована
6 янв 2025

MiniThinky-1B-Llama-3.2

Генерация текстаТекст → текст3 профессии

Экспериментальная дообученная модель Llama с 1,2 млрд параметров для диалоговой генерации ответов с этапом рассуждения.

50скачиваний за 30 дней4лайкавеса обновлены8 янв 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки6

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • BBH

    BBH Raw · выше — лучше

    Результат

    0,3142

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • IFEval

    IFEval Raw · выше — лучше

    Результат

    0,2771

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MUSR

    MUSR Raw · выше — лучше

    Результат

    0,3434

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MMLU-PRO

    MMLU-PRO Raw · выше — лучше

    Результат

    0,1147

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • GPQA

    GPQA Raw · выше — лучше

    Результат

    0,2391

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MATH Lvl 5

    MATH Lvl 5 Raw · выше — лучше

    Результат

    0,0574

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MiniThinky-1B — экспериментальная дообученная модель ngxson для генерации диалоговых ответов с явным разделением рассуждения и итогового ответа. Она основана на Meta-Llama-3.2-1B-Instruct, использует плотную архитектуру LlamaForCausalLM и содержит 1,2 млрд параметров. По метаданным, нативная длина контекста составляет 131 072 токена; доступны форматы Safetensors и ONNX.

Модель предназначена для диалогов и пробных сценариев, где полезно получать ответ после внутреннего этапа рассуждения. Автор сообщает, что это первая попытка добавить способности к рассуждению небольшой модели; обучение длилось пять часов на четырёх L40S, а оценочная потеря составила около 0,8. README предупреждает, что модель чувствительна к системному сообщению и плохо справляется даже с подсчётом букв в слове «raspberry»; бенчмарки не приведены. Для запуска автор рекомендует заданное системное сообщение и предлагает попробовать низкую температуру или top_k=1. Лицензия и поддерживаемые языки в предоставленных данных не указаны.

Сценарии применения

  • эксперименты с рассуждением в компактной чат-модели
  • генерация диалоговых ответов с отдельным этапом размышления
  • оценка небольших дообученных языковых моделей
  • тестирование чувствительности чат-модели к системным инструкциям

Ограничения

Автор отмечает слабые способности к простым задачам вроде подсчёта букв и не приводит бенчмарков. Модель чувствительна к системному сообщению; лицензия и языки не установлены по предоставленным сведениям.

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

MiniThinky 1B

[!IMPORTANT]
There is a newer checkpoint for this model, click here

My first trial to fine tune a small model to add reasoning capability.

Link to GGUF version: click here

Chat template is the same with llama 3, but the response will be as follow:

<|thinking|>{thinking_process}
<|answer|>
{real_answer}

IMPORTANT: System message

The model is very sensitive to system message. Make sure you're using this system message (system role) at the beginning of the conversation:

You are MiniThinky, a helpful AI assistant. You always think before giving the answer. Use <|thinking|> before thinking and <|answer|> before giving the answer.

Q&A

Hardware used to trained it?
I used a HF space with 4xL40S, trained for 5 hours. Eval loss is about 0.8

Benchmark?
I don't have time to do it alone. If you can help, please open a discussion!

Can it count number of "r" in "raspberry"?
Unfortunately no

Other things that I can tune?
Maybe lower temperature, or set top_k=1


TODO: include more info here + maybe do some benchmarks? (Plz add a discussion if you're interested)

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
d5e5b2a

0 моделей