/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
1,1 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
24 мая 2026

Nano-Nano_v5.1

Генерация текстаТекст → текст4 профессии

Экспериментальная компактная модель на базе Qwen3 для диалоговой генерации текста, следования инструкциям, математических рассуждений и программирования.

105скачиваний за 30 дней3лайкавеса обновлены27 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

Nano-Nano v5.1 — экспериментальная компактная языковая модель, опубликованная ray0rf1re и основанная на архитектуре Qwen3. В README указано около 1,218 млрд параметров, тогда как заголовок также упоминает 300 млн; метаданные подтверждают размер 1,1 млрд. Модель представляет собой плотную причинную языковую модель для генерации текста, чата и следования инструкциям. Она обучалась с упаковкой последовательностей на наборах для рассуждений, математики, программирования и диалогов; заявленная цель включает осторожные ответы на вопросы с недостоверными или невозможными предпосылками.

Модель рассчитана на короткий контекст до 2 048 токенов. Автор сообщает об обучении примерно на 0,01 млрд токенов и отсутствии выравнивания RLHF/DPO, поэтому её следует рассматривать как ранний экспериментальный чекпойнт, а не как надёжную модель для ответственных задач. Доступна в формате safetensors для Transformers. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на короткие вопросы и инструкции
  • ведение текстового диалога
  • решение простых математических задач
  • генерация и объяснение кода
  • проверка осторожности ответов на вопросы с невозможными предпосылками

Ограничения

Контекст ограничен 2 048 токенами; по данным README, модель обучалась лишь на 0,01 млрд токенов и не проходила RLHF/DPO-выравнивание. README содержит расходящиеся оценки числа параметров, поэтому размер указан по метаданным Hugging Face.

Для каких профессий подходит4

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

🧠 Nano-Nano v5.1

~1218.3 M · Qwen3 · 300M · GQA + QK-Norm · Sequence-Packed · 26 Datasets

License Loss Eval Params Datasets

Fully redesigned successor to Nano-nano v4.5.
~298M Qwen3 parameters trained with sequence packing on a quality-tiered 34-dataset mix. Features loss-boost system: auto-extends training if loss > 4.95 (up to 3×75 steps).
Goal: loss < 2.5 through compute efficiency, not raw scale.


📋 Summary

ArchitectureLLaMA decoder-only
Parameters~1218.3 M
Context2 048 tokens
Vocabulary50,304 tokens
Training loss2.0444
Eval score16.7%
Tokens trained0.01 B (sequence-packed)
HardwareGTX 1080 8 GB (Pascal)

🏗️ Architecture (v4 → v4.5 → v5.1)

Hyperparameterv4v4.5v5.1
Parameters~236 M~256 M~1218.3 M (~1.218 B)
hidden_size8968961 024
intermediate_size2 6882 9122 730 (8/3×hidden)
num_hidden_layers141516
num_attention_heads141416
num_key_value_heads141416
head_dim646464
vocab_size50 26450 26450,304
max_position_embeddings1 0242 0482 048
rms_norm_eps1e-61e-61e-5
rope_theta10 00010 00010 000
rope_scaling—linear 2×linear 2×
tie_word_embeddingsFalseFalseFalse
Sequence packing❌❌✅ 1× packed
ArchitectureLLaMALLaMAQwen3
GQA (KV heads)14 full16 full8 (16Q/8KV)
QK-Norm❌❌✅
rope_theta10k10k1M

📊 Evaluation

CategoryHitsScore
Knowledge0/5🔴 0%
Reasoning0/4🔴 0%
Hallucination0/4🔴 0%
Instruction2/4🟡 50%
Coherence1/3🔴 33%
Overall—🔴 17%

Hallucination resistance tests whether the model correctly declines or hedges on unanswerable questions (future events, fictional entities, impossible premises).

Category Scores Hallucination Resistance Training Curves


🍳 Training

What's new in v5.1

Changev4.5v5.1Why
Sequence packing❌ padding waste✅ 100% tokens~3× more signal per step
Dataset qualitymixed web+instructionGPT-4 quality-tieredFaster loss reduction
Parameters~256 M~1218.3 M (~1.218 B)Better capacity
Datasets1521More diversity
LR1e-42e-41e-4 was too conservative

Settings

SettingValue
HardwareGTX 1080 8 GB · Pascal · CUDA 6.1
Precisionfp32 weights / fp16 AMP (GradScaler)
OptimizerStovetopCooker (HyperNix, pre-Volta) + cosine
LR0.0002 cosine
Warmup8%
Embedding freezeFirst 20% of steps
Effective batch8 × 512 = 4,096 tokens/step
Loss boost≤3 rounds of 75 steps if loss > 4.95
Sequence packing✅ streaming, 1× epochs, 150,000 chunks cap
Grad clipping5.0
Grad checkpointing✅
Peak VRAM5.44 GB
Final loss2.0444

Dataset Mix (21 datasets, quality-tiered)

TierDatasetSamplesWeightCategory
1Open-Orca/OpenOrca40 k3.0×GPT-4 reasoning
1meta-math/MetaMathQA30 k2.8×Math augmentation
1Roman1111111/claude-opus-4.6-10000x10 k2.5×Claude conversations
1WizardLM/WizardLM_evol_instruct_V2_196k25 k2.5×Evolved instruction
1WithinUsAI/GPT5.5_thinking_max_distill_god_seed_25K25 k2.5×Reasoning traces
2microsoft/orca-math-word-problems-200k20 k2.2×Math word problems
2lighteval/MATH-Hard10 k2.2×Hard math
2HuggingFaceH4/MATH-5005002.2×Competition math
2garage-bAInd/Open-Platypus25 k2.0×Reasoning instruction
2teknium/OpenHermes-2.530 k2.0×GPT-4 instruction
3ise-uiuc/Magicoder-OSS-Instruct-75K20 k1.8×Code instruction
3m-a-p/CodeFeedback-Filtered-Instruction15 k1.8×Code + feedback
3iamtarun/python_code_instructions_18k_alpaca8 k1.6×Python code
3nvidia/OpenCodeInstruct20 k1.5×Code instruction
3b-mc2/sql-create-context6 k1.4×SQL generation
4HuggingFaceH4/ultrachat_200k30 k1.5×Multi-turn chat
4databricks/databricks-dolly-15k15 k1.2×Instruction following
4Amod/mental_health_counseling_conversations5 k1.0×Counseling chat
4mlabonne/guanaco-llama2-1k1 k1.0×General QA
5ray0rf1re/FineWeb-Nano20 k0.8×Web text
5ray0rf1re/hyper-pip853.0×HyperNix pip data
3flytech/python-codes-25k20 k1.7×Python code solutions
3ByteDance-Seed/Code-Contests-Plus15 k1.6×Competitive coding
1open-thoughts/OpenThoughts-TB-dev20 k2.3×Verified thinking traces
6Nix-ai/cat-math-v15 k0.3×Cat math (niche)
6Nix-ai/Cat-v2.8XXXL-plus5 k0.3×Cat general (niche)

🚀 Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "ray0rf1re/Nano-Nano_v5.1", torch_dtype="auto", device_map="auto")
tokenizer = AutoTokenizer.from_pretrained("ray0rf1re/Nano-Nano_v5.1")

def chat(prompt: str, max_new_tokens: int = 256) -> str:
    # <think> opens the reasoning block; model outputs reasoning then </think> then answer
    text = ("<|im_start|>user
" + prompt + "<|im_end|>
"
            "<|im_start|>assistant
<think>
")
    inputs = tokenizer(text, return_tensors="pt").to(model.device)
    out = model.generate(
        **inputs, max_new_tokens=max_new_tokens,
        do_sample=True, temperature=0.7, top_p=0.9,
        repetition_penalty=1.1,
        pad_token_id=tokenizer.eos_token_id,
    )
    return tokenizer.decode(out[0][inputs["input_ids"].shape[-1]:],
                            skip_special_tokens=True).strip()

print(chat("Write a Python function to merge two sorted lists."))
print(chat("Solve: if 3x + 7 = 22, what is x?"))
print(chat("Explain transformer attention in simple terms."))

⚠️ Limitations

  • Context limited to 2 048 tokens
  • Trained on 0.01 B tokens — far below production scale
  • Pascal GPU (GTX 1080): fp16 AMP only, no bf16
  • Not RLHF/DPO aligned

📜 Citation

@misc{nano-nano-v5,
  author       = {ray0rf1re},
  title        = {Nano-Nano v5.1: 300M LLaMA with Sequence Packing},
  year         = {2026},
  publisher    = {HuggingFace},
  howpublished = {https://huggingface.co/ray0rf1re/Nano-Nano_v5.1},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
b4b5663

0 моделей