/ Модель

Характеристики

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

Grug-67B-A2B-Datakit-SFT-262K-2026.09.20

Генерация текстаТекст → текст3 профессии

Экспериментальная текстовая MoE-модель open-athena, дообученная для рассуждений, работы с кодом и агентных сценариев с вызовом инструментов.

1 135скачиваний за 30 дней0лайковвеса обновлены21 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 от open-athena, дообученный методом supervised fine-tuning на подборке данных для агентных сценариев и рассуждений. В набор вошли примеры кода OpenThoughts и SWE-ZERO, трассы Penfever, задачи NuminaMath, а также данные GLM для следования формату и компактизации. Это отдельный запуск SFT от релиза 11 сентября.

Архитектура GrugMoeForCausalLM использует 256 маршрутизируемых экспертов с выбором четырёх экспертов на токен и одним общим экспертом. В метаданных указано 2,8 млрд параметров; README сообщает около 2 млрд активных параметров без эмбеддингов на токен и 67,1 млрд общих параметров. Модель принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Контекст настроен на 262 144 токена, однако качество на длинном контексте не проверено. Для работы нужен runtime с поддержкой Grug MoE; заявлена лицензия OpenMDW-1.1.

Чекпойнт предназначен для экспериментов с агентными задачами, рассуждениями, кодом и следованием инструкциям. Автор предупреждает, что модель не прошла надлежащее тестирование и оценку: для этого чекпойнта нет установленного результата даже smoke-теста генерации или бенчмарков, а соответствие качества, безопасности и численной эквивалентности исходной модели не подтверждено. Совместимость с указанным форком vLLM и загрузка через стандартный Transformers также не проверены.

Сценарии применения

  • эксперименты с агентами, вызывающими инструменты
  • генерация и анализ кода
  • решение математических задач с рассуждениями
  • следование структурированным инструкциям
  • исследование поведения модели на длинном контексте

Ограничения

Чекпойнт не прошёл надлежащее тестирование или оценку; качество генерации, безопасность и работа на контексте 262 144 токена не подтверждены. Для инференса требуется runtime с поддержкой Grug MoE, а совместимость с указанным форком vLLM и стандартным Transformers не проверена.

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

Grug 67B A2B Datakit SFT 262K — Special-token learning rate

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. The peak base learning rate was 5e-5; updates to five special-token rows in both input embeddings and the LM head were scaled by sqrt(32), giving an effective peak learning rate of 2.828427e-4 for those rows. Router weights remained trainable. Router biases and deferred load-balancing bias updates stayed frozen.

Five LM-head rows were initialized 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. BOS and EOS were preserved; no new tokens were added. The SFT data loader enforced a one-epoch limit.

Training run: grug-67b-sft-20260917-special-token-lr-frozen-bias-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-2026.09.20",
)
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 equivalent formatting for string messages and messages represented as lists of text parts.

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
9f2ee50

0 моделей