/ Модель

Характеристики

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

Grug-67B-A2B-Datakit-SFT-262K-2026.09.17

Генерация текстаТекст → текст9 профессий

Экспериментальная Grug MoE модель после SFT для генерации текста, рассуждений, работы с кодом и вызова инструментов.

237скачиваний за 30 дней0лайковвеса обновлены19 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 — экспериментальный чекпойнт Grug MoE после дообучения с учителем. Модель создана на основе неопубликованного базового чекпойнта Grug на шаге 157 000; обучение продолжено на подборке данных для агентных задач и рассуждений, включая код, математику, следы использования инструментов и форматирование ответов. В README описана отдельная серия SFT от релиза 11 сентября.

Архитектура — GrugMoeForCausalLM с 67,1 млрд параметров, 256 маршрутизируемыми экспертами, выбором четырёх экспертов и общим экспертом; заявлено около 2 млрд активных неэмбеддинговых параметров на токен. Веса представлены в BF16, а для генерации предусмотрены режимы с рассуждениями и без них, а также интерфейс вызова инструментов. Конфигурация задаёт контекст 262 144 токена, но качество работы на длинном контексте не проверено.

Модель предназначена для генерации текста в агентных сценариях и задачах рассуждения, включая работу с кодом, математикой и инструментами. Чекпойнт не прошёл надлежащую оценку: нет подтверждённых результатов бенчмарков или даже базовой проверки генерации. Для запуска требуется среда с поддержкой Grug MoE; совместимость с указанным форком vLLM и загрузка через стандартный Transformers не подтверждены. Лицензия — OpenMDW-1.1.

Сценарии применения

  • генерация ответов в диалогах с включённым рассуждением
  • решение математических задач
  • помощь в написании и анализе кода
  • вызов инструментов в агентных сценариях
  • обработка длинных текстовых контекстов с экспериментальной конфигурацией

Ограничения

Модель не прошла надлежащую проверку или оценку, и её качество генерации, безопасность и результаты на длинном контексте не подтверждены. Для работы требуется runtime с поддержкой Grug MoE; совместимость с упомянутыми средами исполнения не валидирована.

Для каких профессий подходит9

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 — Head-only initialization, scaled LR

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, with both optimizer settings (learning_rate and adam_lr) scaled from 5e-5 to 2.828427e-4 (sqrt(32)). This scaling applies globally. “Head-only” describes reinitialization; non-router model weights remained trainable. Five LM-head token rows were copied from single-token anchors: 128006 from 3560 ( role), 128007 from 1984 ( message), 128002 from 1781 ( think), 128003 from 4320 ( answer), and 128009 from EOS (128001). Only those LM-head optimizer moments were reset. Input embeddings and their optimizer moments were preserved at initialization and remained trainable. Router matrices, router biases, and pending load-balancing biases stayed frozen. BOS and EOS were preserved; no new tokens were added. The SFT mixture was capped at one pass per source.

Training run: grug-67b-sft-20260917-head-only-sqrt32-frozen-router-1000.

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-2026.09.17",
)
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,
)

The exported generation configuration specifies both <|end_of_text|> (128001) and <|eot_id|> (128009) as stop IDs. 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
cca64a1

0 моделей