/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
51,8 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Библиотека
transformers
Опубликована
29 июн 2026

50M-2048-Emhotob

Генерация текстаТекст → текст3 профессии

Небольшая базовая модель Llama, обученная с нуля на арабских текстах для продолжения текста и последующего дообучения.

226скачиваний за 30 дней7лайковвеса обновлены14 июл 2026

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 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

إمحوتب (Emhotob) — это небольшая базовая языковая модель, разработанная oddadmix: 51,8 млн параметров, архитектура Llama и контекст длиной 2048 токенов. Модель предварительно обучена с нуля на примерно 20 млрд арабских токенов из корпуса FineWeb-Edu Arabic. Архитектура и рецепт обучения основаны на SupraLabs/Supra-50M-Base, но веса обучены заново с арабским корпусом и пользовательским токенизатором byte-level BPE.

Модель предназначена для продолжения арабского текста, исследований компактных языковых моделей и использования в качестве основы для последующего дообучения. Благодаря небольшому размеру она рассчитана в том числе на запуск на CPU. Это базовая модель без настройки инструкций и чата, поэтому она не предназначена для диалога без дополнительного дообучения. Разработчик предупреждает об ограниченных знаниях и рассуждениях, возможных повторах и смещениях обучающего веб-корпуса; модель не рекомендуется для фактических, медицинских, юридических или финансовых задач. Лицензия — Apache-2.0.

Сценарии применения

  • продолжение арабского текста
  • создание основы для дообучения арабского чат-бота
  • эксперименты с компактными языковыми моделями
  • запуск небольшой арабской языковой модели на CPU

Ограничения

Модель не настроена для следования инструкциям и ведения диалога; ожидаются ограниченные знания и рассуждения, а также повторы. Не рекомендуется для фактических, медицинских, юридических и финансовых задач; данные веб-корпуса могут содержать смещения.

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

50M-2048-Emhotob (إمحوتب) — Arabic Base Model

Emhotob is a ~51.8M-parameter Llama-architecture language model pre-trained from scratch on ~20 billion Arabic tokens with a 2048-token context window. It is a proof-of-concept that a tiny model — small enough to run on a CPU — can be trained from scratch to produce coherent Arabic.

This is a base (pretrained) model: a next-token predictor with no instruction or chat tuning. It is the foundation for the fine-tuned variants below.

الملخص بالعربية: «إمحوتب» نموذج لغوي عربي صغير (~51.8 مليون معامل) بمعمارية Llama، مُدرَّب من الصفر على ~20 مليار رمز (token) عربي بطول سياق 2048. نموذج أساس (Base) بدون ضبط تعليمات أو محادثة. الهدف: إثبات إمكانية تدريب نموذج عربي مفيد على نطاق صغير جدًا يعمل حتى على المعالج (CPU). المعمارية وسكربتات التدريب مشتقة من SupraLabs/Supra-50M-Base.


Model details

Parameters~51.8M
ArchitectureLlama (LlamaForCausalLM)
Hidden size512 · Layers 12 · Heads 8 (GQA, 4 KV) · head_dim 64
Intermediate size1408
Vocab size32000 (custom Arabic byte-level BPE)
Context length2048
Positional encodingRoPE (θ = 10000)
Tied embeddingsyes
TypeBase / pretrained (no chat template)
LicenseApache-2.0

Training

  • Corpus: kaust-generative-ai/fineweb-edu-ar (config ar), streamed and tokenized to a memory-mapped token bin.
  • Budget: 20,000,000,000 tokens, sequence length 2048, 1 epoch over the token stream.
  • Tokenizer: custom byte-level BPE (ByteLevelBPETokenizer), vocab 32000, specials <s> / </s> / <unk> / <pad>.
  • Optimizer: AdamW (fused), β = (0.9, 0.95), weight decay 0.1, grad clip 1.0.
  • Schedule: lr 6e-4, cosine decay, warmup ratio 0.02.
  • Precision / compute: bf16, torch.compile, effective batch 128 (per-device 16 × grad-accum 8).

The architecture and training loop follow SupraLabs/Supra-50M-Base ("Project Chimera — 50M Llama"). The pretraining script (train.py) is included in this repository.


Usage

The tokenizer uses the TokenizersBackend class, which requires transformers>=5.12. This is a base model — prompt it as a text completer, not a chat assistant:

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "oddadmix/50M-2048-Emhotob"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype=torch.bfloat16)

prompt = "اللغة العربية هي"
ids = tok(prompt, return_tensors="pt").to(model.device)
out = model.generate(
    **ids, max_new_tokens=128, do_sample=True,
    temperature=0.8, top_p=0.9, repetition_penalty=1.2,
)
print(tok.decode(out[0], skip_special_tokens=True))

Fine-tuned variants

ModelWhat it does
oddadmix/Nawah-50M-Egyptian-18y-PersonaSpeaks with an 18-year-old Egyptian persona
oddadmix/Emhotob-50M-GPRO-Arabic-FinalArabic tool-calling / function-calling (GRPO-tuned)

Intended use & limitations

Intended use. A from-scratch Arabic base model for research and as a fine-tuning starting point; a CPU-friendly baseline for tiny Arabic SLM experiments.

Limitations. As a base model it does not follow instructions or hold a conversation out of the box — fine-tune it first. At ~50M parameters it is a proof of concept: expect limited world knowledge, weak reasoning, and repetition (use a repetition_penalty). Training data is web text (fineweb-edu-ar), so it carries that corpus's biases. Not suitable for factual, medical, legal, or financial use.


Credits

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
119e0e6

0 моделей