/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,8 млрд
Размер весов
134 ГБ
Лицензия
openmdw-1.1
Архитектура
grug_moe · MoE
Опубликована
16 сен 2026

Grug-67B-A2B-Datakit-SFT-262K-2026.09.16

Генерация текстаТекст → текст14 профессий

Дообученная Grug MoE модель для текстовой генерации, рассуждений и агентных задач с вызовом инструментов.

380скачиваний за 30 дней0лайковвеса обновлены16 сен 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

Grug 67B A2B Datakit SFT 262K — контрольная точка Grug MoE после дообучения с учителем на подборке данных для агентных сценариев и рассуждений. Модель подготовлена open-athena на основе неопубликованной базовой контрольной точки; использованы данные OpenThoughts code, SWE-ZERO, Penfever, NuminaMath и наборы GLM для следования формату и уплотнения контекста. Это отдельный запуск SFT от выпуска 11 сентября 2026 года.

Архитектура GrugMoeForCausalLM содержит 67 млрд параметров, из которых примерно 2 млрд активны на токен; используются 256 маршрутизируемых экспертов с выбором четырёх экспертов и один общий эксперт. Модель принимает текст и поддерживает генерацию в формате чата, интерфейс вызова инструментов и режим рассуждений. Контекст настроен на 262 144 токена, однако качество на длинном контексте не проверено. Для запуска требуется среда с поддержкой Grug MoE; совместимость со стандартным Transformers и заявленным рантаймом пока не подтверждена.

Контрольная точка не прошла надлежащее тестирование или оценку: для неё нет установленных результатов генерационных проверок и бенчмарков, поэтому качество, безопасность и численная эквивалентность не подтверждены. Опубликована под лицензией OpenMDW-1.1.

Сценарии применения

  • генерация ответов в диалоговом ассистенте
  • решение математических задач с рассуждениями
  • помощь в программировании и работе с кодом
  • вызов инструментов из диалога через JSON
  • следование инструкциям и форматирование ответов

Ограничения

Модель не прошла полноценное тестирование, оценку или бенчмаркинг, поэтому качество генерации и безопасность не подтверждены; эффективность контекста длиной 262 144 токена не проверена. Для работы требуется рантайм с поддержкой Grug MoE, а загрузка через стандартный Transformers не подтверждена.

Для каких профессий подходит14

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Grug 67B A2B Datakit SFT 262K — 2026.09.16

Research artifact. This model has not been properly tested or evaluated and is not validated for production use. The 262K context length is a configuration value; long-context performance remains untested.

This repository contains a BF16 Grug mixture-of-experts checkpoint after supervised fine-tuning (SFT) on a focused agentic and reasoning mixture, with a configured 20% share of packed sequences drawn from long-context pretraining replay. SFT sources include OpenThoughts code, SWE-ZERO, Penfever traces, NuminaMath, and GLM format-following and compaction data.

Model and provenance

PropertyValue
ArchitectureGrugMoeForCausalLM (grug_moe)
Parameters67,078,882,816 total; approximately 2B active non-embedding parameters per token
Experts256 routed experts, top-4 routing, plus a shared expert
Layers / hidden size26 / 2,560
Attention heads / KV heads20 / 5
Vocabulary size128,256
Configured context length262,144 tokens
Sliding window2,048 tokens
QK multiplier1.75
Checkpoint step158,000
SFT updates1,000, starting from base step 157,000
ExportBF16, 39 safetensors shards

The starting point was an unpublished base checkpoint at step 157,000. Training resumed its optimizer state without warmup. Five special-token embedding and output rows (128006, 128007, 128002, 128003, and 128009) were initialized from semantic text anchors, with their optimizer moments reset. BOS and EOS were preserved. No new tokens were added. The SFT mixture was capped at one pass per source.

Seven attention layers use full causal attention; the other 19 use the sliding window.

This is a separate SFT run from the September 11 release.

Chat and generation settings

Omitting enable_thinking defaults to thinking. For a vLLM chat request, select nonthinking mode with:

{"chat_template_kwargs": {"enable_thinking": false}}

For local prompt formatting:

from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained(
    "open-athena/Grug-67B-A2B-Datakit-SFT-262K-2026.09.16",
)
prompt_ids = tokenizer.apply_chat_template(
    [{"role": "user", "content": "What is 17 times 23?"}],
    tokenize=True, return_dict=False,
    add_generation_prompt=True, enable_thinking=False,
)

Generation stops on both <|end_of_text|> (128001) and <|eot_id|> (128009). The tokenizer's EOS remains 128001. Preserve both generation stop IDs when configuring another runtime.

Thinking output uses <|start_think|> (128002) and <|end_think|> (128003). Decode with skip_special_tokens=False when these boundaries are needed. Tools use JSON inside <tool_call>...</tool_call>; input arguments may be objects or JSON strings. Tool-call delimiters remain ordinary text, not newly added special tokens.

The inference template adds the thinking default to the training template. Export checks cover default and explicit thinking modes, assistant text beside tool calls, and string/text-part formatting parity.

Serving

This architecture requires a runtime with Grug MoE support. The previous release was served with Marin's vLLM fork at f0d7cc7f5874. This checkpoint has not yet been tested in that runtime. Stock Transformers model loading has not been validated.

Evaluation and limitations

This model is a research artifact and has not been properly tested or evaluated. No inference smoke test or benchmark result is established for this checkpoint. Training loss and export-format checks do not establish generation quality, safety, or numerical equivalence to the native checkpoint.

License

The model materials are released under the OpenMDW License Agreement, version 1.1, using the same license text as the September 11 release.

Как запустить

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

GPU в ailist

vLLM

Нельзя запустить

Архитектура grug_moe неизвестна transformers в образе рантайма.

Класс архитектуры
GrugMoeForCausalLM
Ревизия весов
ad02eb6

0 моделей