/ Модель

Характеристики

Контекст
8 192 токена
Параметры
170 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
SmolLM2-135M
Библиотека
transformers
Опубликована
3 окт 2026

smollm2-dus-40l

Генерация текстаТекст → текст

Экспериментальная англоязычная модель с 40 слоями на базе SmolLM2-135M для генерации текста и исследований расширения глубины и продолженного предобучения.

138скачиваний за 30 дней0лайковвеса обновлены3 окт 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

SmolLM2-135M Depth Up-Scaled to 40 Layers — экспериментальная языковая модель spahbod, созданная на основе HuggingFaceTB/SmolLM2-135M. Архитектура LlamaForCausalLM расширена с 30 до 40 декодерных слоёв методом Depth Up-Scaling; число параметров составляет около 170 млн. Затем модель продолжила причинное предобучение на WikiText-2. Репозиторий содержит полные веса модели, а не LoRA-адаптер.

Модель предназначена для генерации текста и экспериментов с расширением глубины, продолжением предобучения и сравнением метрик на доменных и внешних наборах. Это базовая, не настроенная на инструкции или диалог модель; в README указан контекст 8192 токена. Она показала более низкие loss и perplexity на WikiText-2, но уступила базовой модели на HellaSwag и LAMBADA, что указывает на ограниченную обобщающую способность и возможное забывание. Лицензия — Apache-2.0.

Сценарии применения

  • генерация продолжения англоязычного текста
  • эксперименты с расширением глубины языковой модели
  • продолжение предобучения на специализированном корпусе
  • сравнение perplexity на доменных и внешних наборах

Ограничения

Продолженное предобучение на небольшом WikiText-2 улучшило метрики на этом наборе, но результаты на HellaSwag и LAMBADA оказались хуже базовой модели; возможно снижение обобщения и катастрофическое забывание. Модель не настроена на инструкции или диалог и может генерировать ошибочный, предвзятый или несвязный текст.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SmolLM2-135M Depth Up-Scaled to 40 Layers

This model is an experimental depth-upscaled version of HuggingFaceTB/SmolLM2-135M.

The original 30-layer LlamaForCausalLM architecture was expanded to 40 decoder layers using Depth Up-Scaling (DUS). The resulting model was then subjected to continued causal language-model pretraining on WikiText-2.

This repository contains the complete model rather than a LoRA adapter.

Model architecture

PropertyBase modelDUS model
ArchitectureLlamaForCausalLMLlamaForCausalLM
Decoder layers3040
Parameters134,515,008169,915,968
Added parameters—35,400,960
Parameter increase—26.32%
Base modelHuggingFaceTB/SmolLM2-135MHuggingFaceTB/SmolLM2-135M

The 40-layer model was created from two overlapping slices of the original model:

  • first slice: source layers 0–19,
  • second slice: source layers 10–29.

The copied layers contain independent parameter tensors.

Training

The model was trained using continued causal language-model pretraining.

  • Dataset: Salesforce/wikitext
  • Dataset configuration: wikitext-2-raw-v1
  • Training objective: causal language modeling
  • Block size: 256 tokens
  • Precision: FP16
  • Optimizer: 8-bit AdamW
  • Learning-rate scheduler: cosine
  • Gradient checkpointing: enabled
  • Early stopping: enabled
  • Hardware: NVIDIA GeForce RTX 3050 Laptop GPU, 4 GB VRAM

The run configured for five epochs was stopped automatically at approximately epoch 1.37 because the validation loss stopped improving.

WikiText-2 results

Model stageLossPerplexity
Base model3.263526.14
Immediately after DUS3.506933.34
After continued pretraining2.795616.37

Depth Up-Scaling initially increased loss. Continued pretraining subsequently adapted the new architecture and produced lower loss and perplexity on WikiText-2 than the original model.

External benchmark results

The models were evaluated using lm-evaluation-harness in the zero-shot setting.

BenchmarkMetricBase modelDUS model
HellaSwagacc_norm0.43120.4125
LAMBADA OpenAIacc0.42830.3775
LAMBADA OpenAIperplexity19.259827.4383
PIQAacc_norm0.68440.6518

Although the DUS model achieved better loss and perplexity on WikiText-2, it performed worse on all three external benchmarks. This suggests stronger adaptation to the continued-pretraining dataset accompanied by reduced generalization and possible catastrophic forgetting.

Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "spahbod/smollm2-dus-40l"

tokenizer = AutoTokenizer.from_pretrained(model_id)

model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.float16,
).to("cuda")

prompt = "The history of artificial intelligence"

inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

with torch.no_grad():
    output = model.generate(
        **inputs,
        max_new_tokens=100,
        do_sample=True,
        temperature=0.8,
        top_p=0.95,
    )

print(tokenizer.decode(output[0], skip_special_tokens=True))

For CPU inference, remove .to("cuda") and load the model using torch_dtype=torch.float32.

Intended use

This model is intended for:

  • educational experiments with model depth expansion,
  • research into Depth Up-Scaling,
  • continued-pretraining experiments,
  • comparison of in-domain perplexity and external benchmark performance.

It is not an instruction-tuned or chat model.

Limitations

  • The model was continued-pretrained on the relatively small WikiText-2 dataset.
  • Improvements observed on WikiText-2 did not generalize to HellaSwag, LAMBADA or PIQA.
  • The model may produce incorrect, biased or incoherent text.
  • The model should not be used as a factual authority.
  • The experiment was performed on a single consumer GPU and was not a large-scale training run.

Reproducibility

Training code is available at:

https://github.com/s25132/smollm2-dus

Acknowledgements

This model is derived from HuggingFaceTB/SmolLM2-135M, released under the Apache 2.0 license.

The experiment uses the WikiText dataset and the EleutherAI Language Model Evaluation Harness.

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
9dcd529

0 моделей