/ Модель

Характеристики

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

d12-pretrain-climbmix30B-dolmino10B

Генерация текстаТекст → текст3 профессии

Экспериментальная базовая языковая модель на 124 млн параметров, обученная с нуля на 40 млрд токенов для продолжения текста и исследований предобучения.

79скачиваний 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

sfanm/d12-pretrain-climbmix30B-dolmino10B — базовая авторегрессионная языковая модель, обученная с нуля разработчиком sfanm. Это плотная decoder-only модель с архитектурой LlamaForCausalLM: 12 слоёв, 768 скрытых измерений и 12 голов внимания, около 123,6 млн параметров. Несмотря на класс Transformers и семейство архитектуры в метаданных, веса не происходят от предварительно обученной модели Llama; используется токенизатор GPT-2.

Модель обучалась на смеси из 40 млрд токенов: 30 млрд токенов ClimbMix и 10 млрд токенов набора Dolmino. Контекст — 2048 токенов. Она предназначена для продолжения текста и экспериментов с небольшими базовыми языковыми моделями; готового чат-шаблона и диалоговой настройки нет. В README приведены значения потерь и perplexity на отложенных выборках, но комплексная оценка не проводилась.

Разработчик обозначает чекпойнт как экспериментальный исследовательский и предупреждает, что модель не прошла выравнивание безопасности. Лицензия в метаданных указана как other; перед распространением и использованием следует проверить лицензии и условия исходных обучающих данных.

Сценарии применения

  • продолжение текста на английском языке
  • эксперименты с предобучением небольших языковых моделей
  • сравнение влияния объёма обучающих данных на качество языковой модели

Ограничения

Модель не настроена для чата, не прошла выравнивание безопасности и не подвергалась комплексной оценке. Лицензия указана как other; условия исходных обучающих данных следует проверить отдельно.

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 v2 — 124M pretrain on ClimbMix + Dolmino (40B tokens)

The loadable model at this repository's root is the terminal checkpoint of a 124M-parameter decoder trained from scratch on a 40B-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 40,000,028,672 training tokens (76,294 optimizer iterations at 256 × 2,048), of which 30.0B came from ClimbMix and 10.0B from Dolmino. It is the same recipe as sfanm/d12-pretrain-climbmix15B-dolmino5B with twice the data; that 20B-token model is the natural comparison point.

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; 30.0B tokens were drawn, at most 30.6% of any shard.
  • Dolmino: allenai/dolma3_dolmino_mix-100B-1025 (OLMo-3's mid-training mix at its released component proportions), 62 training shards; 10.0B tokens were drawn, at most 8.9% 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 61,035, then a 15,259-step cosine cooldown to 6e-5. Final held-out language-model loss on the mixed validation split was 2.4573 (perplexity 11.7); on the test split 2.5267 (perplexity 12.5) — against 2.5535 / 2.5690 for the 20B-token model. Training loss fell from 2.69 at the end of the constant phase to 2.62 at the end of the cooldown.

The run was trained with Megatron-Bridge (NeMo 26.04 container) on ALCF Polaris, on 16 nodes × 4 A100-40GB, in about 4.6 hours.

Loading

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "sfanm/d12-pretrain-climbmix30B-dolmino10B"
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_0076294 (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
62181d4

0 моделей