/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
124 млн
Лицензия
Своя лицензия
Архитектура
llama · dense
Библиотека
transformers
Опубликована
27 авг 2026

d12-pretrain-climbmix15B-dolmino5B

Генерация текстаТекст → текст3 профессии

Экспериментальная базовая авторегрессионная модель на 123,6 млн параметров для генерации и продолжения текста.

83скачиваний за 30 дней0лайковвеса обновлены27 авг 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

D12 — компактная авторегрессионная языковая модель на 123,6 млн параметров, разработанная sfanm и обученная с нуля для предсказания следующего токена. Несмотря на класс Transformers LlamaForCausalLM, это не дообученный чекпойнт семейства Llama: модель использует токенизатор GPT-2. Архитектура — плотный декодер с 12 слоями, скрытым размером 768 и контекстом 2048 токена.

Обучение проведено на смеси из 20 млрд токенов: 15 млрд токенов ClimbMix и 5 млрд токенов Dolmino. Модель предназначена для продолжения текста и экспериментов с базовыми языковыми моделями; у неё нет шаблона чата. Проверка на отложенных данных дала perplexity 13,1. Чекпойнт экспериментальный, не прошёл выравнивание безопасности и всестороннюю оценку. Лицензия указана как other; перед использованием и распространением следует учитывать условия лицензий исходных данных.

Сценарии применения

  • продолжение текстового фрагмента
  • эксперименты с компактными языковыми моделями
  • оценка качества предсказания следующего токена

Ограничения

Модель не выровнена по инструкциям и не имеет шаблона чата; безопасность и качество не оценивались всесторонне. Учитывайте лицензии исходных обучающих данных при использовании и распространении.

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

D12 — 124M pretrain on ClimbMix + Dolmino (20B tokens)

The loadable model at this repository's root is the terminal checkpoint of a 124M-parameter decoder trained from scratch on a 20B-token mixture: 75% ClimbMix web-scale pretraining text and 25% of the OLMo-3 Dolmino mid-training mix, interleaved uniformly through the whole run. The run consumed exactly 20,000,014,336 training tokens (38,147 optimizer iterations at 256 × 2,048), of which 15.0B came from ClimbMix and 5.0B from Dolmino.

Architecture

FieldValue
Parameters123,587,328
Layers / hidden size12 / 768
Attention heads12 (MHA, head dim 64)
FFN size2,048 (SwiGLU/SiLU)
Position encodingRoPE, theta 10,000
NormalizationRMSNorm
EmbeddingsTied
TokenizerGPT-2 BPE, vocabulary padded to 50,304
Context2,048 tokens
Published weightsBF16

The Transformers class is LlamaForCausalLM, but this is a from-scratch model with the GPT-2 tokenizer (the same family as the sfanm/d24-* models, at half the depth and hidden size), not a Llama-family pretrained checkpoint.

Data

Both corpora were tokenized with the GPT-2 tokenizer and sampled at the token level, not physically resized: every training batch is about 75% ClimbMix and 25% Dolmino. Every document ends with exactly one <|endoftext|> token (id 50256, the model's eos_token_id); no beginning-of-sequence token was prepended, which matches the tokenizer's default behaviour. Token ids 50257–50303 exist only as vocabulary padding and never occur in the data.

  • ClimbMix: a 100B-token tokenization of karpathy/climbmix-400b-shuffle, 62 training shards; 15.0B tokens were drawn, at most 15.3% of any shard.
  • Dolmino: allenai/dolma3_dolmino_mix-100B-1025 (OLMo-3's mid-training mix at its released component proportions), 62 training shards; 5.0B tokens were drawn, at most 4.5% of any shard.

No document was seen twice. One held-out shard per corpus served as the validation and test split, mixed with the same 75/25 weights.

Training

Sequence length 2,048, global batch 256, AdamW (β 0.9/0.95, ε 1e-8) at peak LR 6e-4, weight decay 0.1, gradient clip 1.0. The schedule is WSD: 200 warmup steps, constant 6e-4 through iteration 30,518, then a 7,629-step cosine cooldown to 6e-5. Final held-out language-model loss on the mixed validation split was 2.5535 (perplexity 12.9); on the test split 2.5690 (perplexity 13.1). Training loss fell from 2.73 at the end of the constant phase to 2.64 at the end of the cooldown.

The run was trained with Megatron-Bridge (NeMo 26.04 container) on ALCF Polaris, on 8 nodes × 4 A100-40GB, in about 36 node-hours.

Loading

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "sfanm/d12-pretrain-climbmix15B-dolmino5B"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id, dtype=torch.bfloat16, device_map="auto"
)

This is a base language model and has no chat template. The resumable Megatron distributed checkpoint of the terminal iteration is published under megatron/iter_0038147 (model, optimizer and scheduler state).

This experimental research checkpoint has not undergone safety alignment or a comprehensive evaluation. Review the licenses and terms of all upstream data before redistribution or downstream use.

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
b2a3532

0 моделей