/ Модель

Характеристики

Контекст
512 токенов
Параметры
37,7 млн
Лицензия
MIT
Опубликована
20 июл 2026

instanton-hybrid

Генерация текстаТекст → текст3 профессии

Экспериментальная англоязычная гибридная GPT-BERT-модель для исследований языкового обучения на малых корпусах и задач заполнения пропусков.

46скачиваний за 30 дней2лайкавеса обновлены21 июл 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

instanton-hybrid — экспериментальная языковая модель семейства instanton от qyxu1994, созданная с нуля для соревнования BabyLM 2026. Это гибрид GPT-BERT с 37,7 млн параметров по метаданным: восемь слоёв, скрытый размер 512 и восемь голов внимания. Модель обучена на английском корпусе BabyLM 2026 Strict-Small объёмом не более 10 млн слов и использует равное сочетание masked language modeling и causal language modeling. Контекст составляет 512 токенов, словарь — 16 384 токена с byte-level BPE.

Модель предназначена для исследований усвоения языка при ограниченных обучающих данных, а также для экспериментов с заполнением пропусков, оценкой языковой приемлемости и генерацией текста. В опубликованных оценках она показывает результаты на BLiMP и GLUE; доступны контрольные точки обучения на разных этапах экспозиции слов. README отмечает отрицательную корреляцию с порядком усвоения слов детьми и нулевой результат на соответствующем бенчмарке. Это исследовательский артефакт, не предназначенный для прикладного развёртывания или генерации текста, на который будут полагаться пользователи. Для загрузки требуется trust_remote_code=True; поддерживается Transformers 4.51.x, версия 5.x не поддерживается. Лицензия — MIT.

Сценарии применения

  • заполнение пропусков в английских предложениях
  • оценка грамматической приемлемости английских фраз
  • сравнение masked-LM и causal-LM обучения
  • исследование усвоения языка на малых обучающих корпусах
  • эксперименты на бенчмарках BabyLM и BLiMP

Ограничения

Модель имеет контекст 512 токенов и, согласно README, показывает отрицательную корреляцию с порядком усвоения слов детьми и нулевой результат на этом бенчмарке. Она не предназначена для надёжного прикладного использования; для загрузки нужен trust_remote_code=True и Transformers 4.51.x, а Transformers 5.x не поддерживается.

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

instanton-hybrid

A 40.2M-parameter GPT-BERT masked–causal hybrid trained entirely from scratch on the official BabyLM 2026 Strict-Small corpus (≤10M words).

Part of the instanton family — small models trained in minutes-to-hours, submitted to the BabyLM 2026 Challenge.

Parameters40,170,648
ArchitectureGPT-BERT (8 layers, 512 hidden, 8 heads, 1706 FFN)
Vocabulary16,384 (byte-level BPE, trained only on the in-budget corpus)
Training dataOfficial BabyLM 2026 Strict-Small, 9,972,806 words
Word exposure10 epochs ≈ 99.7M words (165.3M subword tokens)
Pretrained weights usedNone — random init, per challenge rules

Training objective

Following Charpentier & Samuel (2024), BERT or GPT: why not both?, the model is trained on a 50/50 blend of masked- and causal-LM objectives. Upstream splits the two objectives across DDP ranks; this model was trained on a single GPU, so the blend is reproduced in-process: half the micro-batches of each optimizer step come from a masked dataset and half from a causal dataset, gradients accumulate, then one step is taken.

Recipe

LAMB, max lr 0.007, cosine schedule with 1.6% warmup / 1.6% cooldown, weight decay 0.1, grad clip 2.0, z-loss 1e-4, mask ratio 0.30→0.15, sequence length ramped 128→256→512 at 70%/90% of training, 16,384 tokens per step, seed 42, bf16. ~2 hours on one A100-80GB.

Checkpoints

Nineteen word-exposure revisions are published as git branches, as required by the challenge: chck_1M … chck_9M, chck_10M, chck_20M … chck_100M, plus main (final). Load any of them with revision=.

Usage

The repository ships a vendored modelling wrapper, so trust_remote_code=True is required. It loads under transformers 4.51.x; 5.x is not supported.

from transformers import AutoTokenizer, AutoModelForMaskedLM

tok = AutoTokenizer.from_pretrained("qyxu1994/instanton-hybrid", trust_remote_code=True)
model = AutoModelForMaskedLM.from_pretrained(
    "qyxu1994/instanton-hybrid", trust_remote_code=True)          # or revision="chck_10M"

AutoModelForCausalLM also works and is what the age-of-acquisition evaluation uses. Everything else should be scored as a masked LM (pseudo-log-likelihood / mntp), which is how the numbers below were produced.

Evaluation

Official BabyLM 2026 pipeline, mntp backend for zero-shot / GLUE / reading and causal for AoA.

TaskScore
BLiMP72.13
BLiMP supplement60.86
EWoK50.15
Entity tracking (filtered)19.87
COMPS52.96
Global-PIQA37.14
(Super)GLUE67.58
Reading6.35
Age of acquisition0 (r = −0.11, p = 0.081)
Leaderboard NLP average51.53
Leaderboard Overall40.78

For comparison, the best causal decoder in this family (27M-parameter GPT-2, same 10M-word budget) reaches BLiMP 67.29 and GLUE 63.01 — the hybrid objective is worth roughly +4.8 BLiMP and +4.6 GLUE.

Known limitation

Like every model in this family, instanton-hybrid correlates negatively with children's age-of-acquisition ordering, so it scores 0 on that benchmark. This is a property of the model rather than of the measurement: the checkpoint sweep is complete (19/19, 152,095 surprisal observations) and tokenizer fragmentation was ruled out (215 of 237 scored CDI words are single tokens, and controlling for subword count leaves the correlation unchanged).

Intended use

A research artifact for studying sample-efficient language acquisition. It is small, trained on <10M words, and is not suitable for deployment or for generating text people will rely on.

Citation

Data mixture and recipe are described in the accompanying BabyLM 2026 report, Reweighting Child-Directed and Conversational Data for Sample-Efficient BabyLM Pretraining. The architecture is from Charpentier & Samuel (2024).

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
GPTBERTForCausalLM
Ревизия весов
07c21c9

0 моделей