/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,2 млрд
Лицензия
Apache 2.0
Архитектура
llama · dense
Библиотека
transformers
Опубликована
15 мая 2026

BitCPM-CANN-3B

Генерация текстаТекст → текст7 профессий

Тернарная 3,2-миллиардная языковая модель OpenBMB для генерации текста и диалогов на китайском и английском языках с контекстом до 32 768 токенов.

2 490скачиваний за 30 дней10лайковвеса обновлены23 мая 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

BitCPM-CANN-3B — языковая модель OpenBMB с плотной архитектурой Llama и 3,2 млрд параметров. Она предназначена для генерации текста и диалогового использования. Модель обучена с осведомлённым о квантовании обучением (QAT) и тернарными весами {-1, 0, 1}; README сообщает о сравнении с полноточной MiniCPM4-3B на 11 бенчмарках и сохранении 97,2% её результатов.

В репозитории веса находятся в псевдоквантованном формате: значения весов уже тернарные, но хранятся в обычном формате с плавающей точкой. Для запуска через Transformers не требуются специальные библиотеки квантования или пользовательские ядра. Заявленное сокращение памяти при инференсе примерно в шесть раз относится к преимуществам тернарного представления; фактическая экономия зависит от способа хранения и исполнения весов.

Модель поддерживает китайский и английский языки, имеет контекст длиной 32 768 токенов и распространяется по лицензии Apache-2.0. Она может быть полезна для диалогов и генерации текста с ограниченными ресурсами, но остаётся генеративной моделью: ответы могут содержать ошибки и требуют проверки. В README также указано, что меньшая версия семейства 0.5B заметнее теряет качество при тернарном обучении; это не отдельная оценка ограничений именно версии 3B.

Сценарии применения

  • генерация ответов в диалоговом ассистенте
  • создание и продолжение текстов на китайском языке
  • создание и продолжение текстов на английском языке
  • развёртывание языковой модели при ограничениях памяти
  • эксперименты с тернарными языковыми моделями на базе Ascend

Ограничения

Модель может генерировать фактически неверные ответы, которые следует проверять. Веса псевдоквантованы и хранятся в формате с плавающей точкой, поэтому заявленное сокращение памяти зависит от реализации исполнения.

Для каких профессий подходит7

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

Introduction

BitCPM-CANN is the first end-to-end 1.58-bit (ternary) large language model training system natively built on Huawei Ascend NPU. The system integrates quantization-aware training (QAT) into the Megatron-LM framework with MindSpeed acceleration, covering the full training stack from custom ternary operators to distributed parallel training on Ascend 910B.

We train a family of four models—BitCPM-CANN-0.5B/1B/3B/8B—and evaluate them against their full-precision MiniCPM4 counterparts across 11 benchmarks. The 1B/3B/8B models retain 95.7%–97.2% of full-precision performance, while enabling approximately 6× memory reduction at inference time. QAT introduces only 5% training throughput overhead (148 vs. 155 TFLOP/s per NPU).

Key Features

  • 🔬 1.58-Bit Ternary Quantization: Compresses model weights to ternary values {-1, 0, 1}, achieving ~90% bit-width reduction compared to BF16.
  • 🖥️ Native Ascend NPU Training: First publicly reported 1.58-bit training effort on domestic NPU platform at 8B scale, establishing reusable low-bit training infrastructure for the Ascend ecosystem.
  • ⚡ Minimal Training Overhead: Only 5% throughput degradation compared to full-precision training on Ascend 910B.
  • 📦 ~6× Inference Memory Reduction: Enables longer contexts, more serving replicas, and edge deployment on consumer devices.

Important Note

The models in this repository are in pseudo-quantized (fake quantization) format. This means the weights are stored in standard floating-point format with ternary values already applied during training. You can load and run inference with these models exactly the same way as full-precision models—no special quantization libraries or custom kernels are required.

BitCPM-CANN Model Family

ModelHuggingFaceGGUF
BitCPM-CANN-0.5Bopenbmb/BitCPM-CANN-0.5Bopenbmb/BitCPM-CANN-0.5B-gguf
BitCPM-CANN-1Bopenbmb/BitCPM-CANN-1Bopenbmb/BitCPM-CANN-1B-gguf
BitCPM-CANN-3Bopenbmb/BitCPM-CANN-3Bopenbmb/BitCPM-CANN-3B-gguf
BitCPM-CANN-8Bopenbmb/BitCPM-CANN-8Bopenbmb/BitCPM-CANN-8B-gguf

Usage

Inference with Transformers

Since BitCPM-CANN models are in pseudo-quantized format, you can use them exactly like standard full-precision models:

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
torch.manual_seed(0)

path = 'openbmb/BitCPM-CANN-3B'
device = "cuda"
tokenizer = AutoTokenizer.from_pretrained(path)
model = AutoModelForCausalLM.from_pretrained(path, torch_dtype=torch.bfloat16, device_map=device, trust_remote_code=True)

# User can directly use the chat interface
responds, history = model.chat(tokenizer, "Write an article about Artificial Intelligence.", temperature=0.7, top_p=0.7)
print(responds)

# User can also use the generate interface
# messages = [
#     {"role": "user", "content": "Write an article about Artificial Intelligence."},
# ]
# prompt_text = tokenizer.apply_chat_template(
#     messages,
#     tokenize=False,
#     add_generation_prompt=True,
# )
# model_inputs = tokenizer([prompt_text], return_tensors="pt").to(device)

# model_outputs = model.generate(
#     **model_inputs,
#     max_new_tokens=1024,
#     top_p=0.7,
#     temperature=0.7
# )
# output_token_ids = [
#     model_outputs[i][len(model_inputs[i]):] for i in range(len(model_inputs['input_ids']))
# ]

# responses = tokenizer.batch_decode(output_token_ids, skip_special_tokens=True)[0]
# print(responses)

Evaluation Results

Main Results

BitCPM-CANN models are evaluated against their full-precision MiniCPM4 counterparts across 11 benchmarks spanning commonsense reasoning, domain knowledge, and mathematics & reasoning.

Task8B FP8B Ternary3B FP3B Ternary1B FP1B Ternary0.5B FP0.5B Ternary
ARC-c87.4686.1080.3478.9864.4167.1251.8650.51
ARC-e95.0693.4792.7788.3679.8979.0171.7865.08
BoolQ84.8983.3979.8577.8968.3865.5062.2943.55
PIQA80.5278.7870.5772.6966.1665.4560.9958.49
WinoGrande63.3061.1758.4152.9651.6253.2851.0751.54
CMMLU80.6278.9278.1176.5374.5767.4265.2260.49
C-Eval81.3677.5075.8575.8973.2565.9666.1160.74
MMLU75.8370.6566.9564.4157.7157.7155.5550.73
MMLU-Redux77.1469.8565.8260.0754.8054.1648.0043.79
BBH76.7270.7068.2968.3064.4060.4049.8747.44
GSM8K91.5185.7581.6479.4563.1561.5652.0839.42
Average (11 tasks)81.3177.8474.4272.3265.3063.4257.7151.98
Retention95.7%97.2%97.1%90.1%

Key Observations

  • 1B and above achieve ≥95.7% retention: The 3B model achieves the highest retention at 97.2%, demonstrating that ternary QAT at this scale introduces minimal capability loss.
  • 0.5B reveals scale-dependent sensitivity: The smallest model retains 90.1%, indicating that quantization perturbation is more damaging when model capacity is limited.
  • 1:1 alignment with MiniCPM4: The matched evaluation enables direct substitution decisions—deployments can replace specific full-precision models with their ternary counterparts with clearly quantified trade-offs.

Training Efficiency

ConfigurationTFLOP/s per NPUOverhead
Full-precision155—
Ternary QAT1484.5%

System-level throughput on 2-node 16-card Ascend 910C:

  • 3B model: ~2700 tokens/s per card
  • 8B model: ~1340 tokens/s per card

Technical Approach

BitCPM-CANN uses a ternary quantizer that maps each weight group to {-1, 0, 1} scaled by a group-wise factor, trained with Straight-Through Estimator (STE) for gradient flow. The training follows a two-stage strategy: complete QAT followed by post-training distillation, which avoids amplifying training instability during early training.

The system is built as a four-layer vertical stack on Ascend NPU:

  1. QAT Training Logic: Ternary quantizer with STE, pluggable quantization layers in Megatron-LM.
  2. Megatron-LM Quantized Model Layer: Tensor-parallel linear layers with integrated weight/activation quantizers.
  3. Framework Entry Layer: torch_npu and mindspeed.megatron_adaptor injection for NPU execution.
  4. Ascend Software-Hardware Stack: MindSpeed, CANN, HCCL communication, Ascend 910B NPU hardware.

For full technical details, please refer to our Technical Report.

Statement

  • As a language model, BitCPM-CANN generates content by learning from a vast amount of text.
  • However, it does not possess the ability to comprehend or express personal opinions or value judgments.
  • Any content generated by BitCPM-CANN does not represent the viewpoints or positions of the model developers.
  • Therefore, when using content generated by BitCPM-CANN, users should take full responsibility for evaluating and verifying it on their own.

LICENSE

  • This repository and BitCPM-CANN models are released under the Apache-2.0 License.

Citation

  • Please cite our technical report if you find our work valuable.
@article{bitcpmcann,
  title={{BitCPM-CANN}: Native 1.58-Bit Large Language Model Training on Ascend NPU},
  author={BitCPM Team},
  year={2026}
}

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
b42a807

0 моделей