/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
110 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Библиотека
transformers
Опубликована
21 авг 2026

kw5-109M

Генерация текстаТекст → текст3 профессии

Небольшая базовая модель Regnant для продолжения текста на суахили и экспериментов с дообучением.

1 110скачиваний за 30 дней3лайкавеса обновлены25 сен 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

KW5 109M — базовая языковая модель Regnant для продолжения текста на суахили. Это первый вариант семейства KW5, обученный с нуля на 1,41 млрд токенов корпуса FineWeb-2, преимущественно на веб-текстах Танзании. Модель содержит 109,5 млн параметров и использует совместимую с Llama декодерную архитектуру Transformer с 12 слоями; доступна в формате safetensors и рассчитана на работу через Transformers.

Модель предсказывает следующий токен и подходит как небольшая основа для экспериментов и дообучения на суахили. Она не предназначена для ответов на вопросы или непосредственного развертывания как чат-бот: инструкции не выполняет, факты воспроизводит ненадёжно и не проходила настройку безопасности. Результаты ограниченной оценки были близки к случайному угадыванию.

Хотя конфигурация допускает контекст до 2048 токенов, обучение проводилось на последовательностях длиной 1024 токена; для надёжной работы суммарный запрос и продолжение следует удерживать в этом пределе. При обучении не использовалась маска границ документов, поэтому модель могла усваивать переходы между несвязанными текстами. Лицензия — Apache-2.0.

Сценарии применения

  • продолжение текста на суахили
  • генерация черновиков на суахили
  • эксперименты с языковым моделированием суахили
  • дообучение небольшой модели на задачах суахили

Ограничения

Не выполняет инструкции и не предназначена для ответов на вопросы или прямого развёртывания; фактические сведения ненадёжны, а настройка безопасности отсутствует. Хотя конфигурация допускает 2048 токенов, обучалась модель на длине 1024, поэтому запрос и продолжение рекомендуется ограничить этим объёмом.

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

KW5 109M

A 109.5M-parameter Swahili (Kiswahili) base language model, pretrained from scratch on 1.41B tokens on a single NVIDIA T4. This is the first KW5 model. Its successor is kw5-149M.

Built by Regnant.

This is a base model. It does next-token prediction only. The instruction tuned version is kw5-109M-instruct.

Quick start

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("regnant-io/kw5-109M")
tok = AutoTokenizer.from_pretrained("regnant-io/kw5-109M")

# A base model continues a prefix; it does not follow instructions.
inputs = tok("Tanzania ni nchi", return_tensors="pt", add_special_tokens=False)
out = model.generate(**inputs, max_new_tokens=60)
print(tok.decode(out[0], skip_special_tokens=True))

Output with torch.manual_seed(0) on CPU (sampling is on, so yours will differ):

Tanzania ni nchi ya Afrika Mashariki na Kati. Kwa hiyo, kwa kuwa tunapakana na
Kenya, Uganda, Rwanda, Burundi, DRC Kongo (DRC), Zambia, Malawi, Msumbiji,
Mauritius, Seychelles, Mozambique, Swaziland, Zimbabwe, Comoro, ...

Fluent, and wrong: Mauritius, Seychelles, Zimbabwe and Swaziland do not border Tanzania. That is typical of this model.

No <s> is needed. Pretraining packed documents without a leading BOS. An earlier revision of this card said every training sequence began with <s>; it did not. Adding one anyway is harmless: on held-out text it moves the loss by 0.009 nats.

The shipped generation_config.json samples at temperature 0.2, top-p 0.9, repetition penalty 1.3, which is what the output above used.

Model details

Parameters109.5M (tied input and output embeddings)
ArchitectureLlama-compatible decoder-only transformer
Layers / hidden / FFN12 / 768 / 2048
Attention12 query heads, 12 key-value heads (standard multi-head attention, not GQA)
Normalization / activationRMSNorm, pre-norm / SwiGLU
Position encodingRoPE, theta 10,000
Trained context1024 tokens
max_position_embeddings2048, but see below
Vocabulary32,000 SentencePiece BPE, NFC, digits split, byte fallback
PrecisionFP32 weights

Context: use 1024 tokens

The config allows 2048 positions, but the model was only ever trained at 1024. The planned extension to 2048 was gated behind a decay phase that never ran (see Training), so rope_theta is still 10,000. Measured loss by position on 12 long Swahili documents:

positions0 to 511512 to 10231024 to 15351536 to 2047
loss (nats)4.124.084.455.92

Past 1024 tokens the model is reading positions it never saw. Keep prompt plus output under 1024.

Tokenizer

32k BPE trained from scratch on the deduplicated Swahili corpus. Special ids: <unk>=0, <s>=1, </s>=2, <pad>=3. Ids 4 to 6 (<|system|>, <|user|>, <|assistant|>) are reserved but never occur in the pretraining corpus, so their embedding rows are untrained. If you fine-tune with them as role markers, train embed_tokens too.

Training

DataFineWeb-2 swh_Latn, cleaned and deduplicated (exact and MinHash LSH), about 705M unique tokens
Tokens seen1.41B, two passes over the corpus
Checkpointstep 6,150
Packingdocuments concatenated with no attention mask at document boundaries
PrecisionFP16 mixed precision with GradScaler
Optimizer8-bit AdamW, lr 3e-4, weight decay 0.1, grad clip 1.0
ScheduleWarmup-Stable-Decay, stopped in the stable phase
Hardware1 NVIDIA T4, about 60 GPU-hours in resumable sessions

The learning rate was never decayed. The token budget was set to 8B from a corpus-size estimate that turned out to be about four times too high, so the decay phase was scheduled for a point the run never reached. Training stopped at 1.41B tokens with the learning rate still at 3e-4. There was no held-out validation set in this run. An earlier revision of this card said the decay was skipped on purpose because validation quality was falling; that was not what happened.

Because packing had no document mask, the model was trained to attend across unrelated documents inside one sequence.

Evaluation

Loglikelihood multiple choice, n = 50 per task:

taskaccuracy95% intervalchance
Belebele-sw (4-way)32%21 to 4625%
AfriXNLI-sw (3-way)32%21 to 4633%

Both are consistent with chance. With 50 items this is a floor, not a capability. The model's one real skill is fluent Swahili continuation.

Intended use

A small starting point for Swahili experiments and fine-tuning. For new work, start from kw5-149M instead.

Not for deployment: no instruction following, no safety tuning, poor factual reliability.

Limitations

  • It continues text; it does not answer questions.
  • Facts are unreliable, as the sample above shows.
  • Mostly Tanzanian Swahili web text, with the biases of web text.
  • No safety tuning at all.

Files

filewhat it is
model.safetensorsFP32 weights, tied embeddings
config.jsonLlama config, pad_token_id 3
tokenizer.model, tokenizer.jsonSentencePiece 32k BPE, and the same as a fast tokenizer
tokenizer_config.json, special_tokens_map.jsonadd_bos_token: false
generation_config.jsontemperature 0.2, top-p 0.9, repetition penalty 1.3
training_info.jsoncheckpoint step, tokens seen, the n = 50 scores above

Citation

@misc{kw5_109m_2026,
  title  = {KW5 109M: a Swahili base language model trained on a single T4},
  author = {Regnant},
  year   = {2026},
  url    = {https://huggingface.co/regnant-io/kw5-109M}
}

Apache 2.0.

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
ce91b36

0 моделей