/ Модель

Характеристики

Контекст
1 024 токена
Параметры
156 млн
Лицензия
CC BY 4.0
Архитектура
modern_gpt_moe · MoE
Библиотека
pytorch
Опубликована
19 июн 2026

telugu-gpt-moe-sangraha-10k

Генерация текстаТекст → текст3 профессии

Экспериментальная GPT-MoE-модель, обученная с нуля для продолжения текста на телугу и дальнейших экспериментов с предобучением и SFT.

64скачиваний за 30 дней1лайквеса обновлены19 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Экспериментальная базовая языковая модель для продолжения текста на телугу, обученная автором репозитория с нуля на проверенной части набора ai4bharat/sangraha. Это декодерная причинная GPT-подобная модель с архитектурой MoE: 12 слоёв, скрытый размер 768, сгруппированное внимание запросов и ключей, четыре эксперта с маршрутизацией top-1, RMSNorm и RoPE. В README указано около 298 млн уникальных параметров, тогда как метаданные Hugging Face сообщают 156,1 млн; контекст — 1024 токена.

Модель предназначена для экспериментов с продолжением телугу-текста, дальнейшего предобучения и использования как основы для SFT. Она не настроена для инструкций и диалога, показывает почти случайный результат на Global-MMLU Telugu и не подходит для надёжных ответов на вопросы или производственного применения. Для загрузки через Transformers требуется доверенная загрузка пользовательского кода. Лицензия — CC BY 4.0.

Сценарии применения

  • продолжение текста на телугу
  • эксперименты с базовой языковой моделью для телугу
  • дальнейшее предобучение модели на телугу
  • подготовка основы для SFT на телугу

Ограничения

Модель не настроена на инструкции и диалог, ненадёжна в ответах на фактические вопросы и показала результат почти на уровне случайного угадывания на Global-MMLU Telugu. Может воспроизводить характерные для скрейпированных новостных и веб-текстов артефакты; для загрузки через Transformers требуется пользовательский код.

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

Telugu GPT-MoE Sangraha 10k

This repository contains a 10,000-step base language-model checkpoint trained from scratch on Telugu text from the verified subset of ai4bharat/sangraha.

It is a research/personal pretraining checkpoint, not an instruction-tuned assistant. Expect Telugu text continuation behavior, not reliable chat or question answering.

Model Summary

  • Architecture: decoder-only causal LM
  • Scale: GPT-2-small-like hidden width/depth
  • Layers: 12
  • Hidden size: 768
  • Attention heads: 12
  • KV heads: 4, grouped-query attention
  • Context length: 1024 tokens
  • Normalization: PreNorm RMSNorm
  • Positional encoding: RoPE
  • FFN: SwiGLU MoE
  • Experts: 4 experts, top-1 routing
  • Attention backend: PyTorch SDPA / FlashAttention when available
  • Vocabulary size: 68,096
  • Unique parameters: 297,720,576 (~298M)
  • Raw tied state-dict parameters: 350,018,304
  • Weight format: model.safetensors
  • Tokenizer: pre-existing Sarvam tokenizer files saved with the checkpoint

This is a custom PyTorch architecture. It loads through Hugging Face Auto classes with trust_remote_code=True.

Training Data

  • Dataset: ai4bharat/sangraha
  • Subset/config: verified
  • Telugu split used locally: tel
  • Packed block size: 1024 tokens
  • Training tokens seen: 327,680,000

The Sangraha dataset card on Hugging Face lists the dataset license as cc-by-4.0.

Training Setup

  • GPU: NVIDIA RTX PRO 2000 Blackwell laptop GPU
  • Mixed precision: FP8 via Accelerate/TorchAO where available
  • Optimizer: AdamW
  • Schedule: warmup + cosine decay
  • Batch shape: 2 sequences per microbatch, gradient accumulation 16
  • Tokens per optimizer step: 32,768
  • Total optimizer steps: 10,000
  • Peak observed throughput: roughly 3k tokens/s after warmup

Training Result

Final train step:

step=10000
loss=2.9328
lm_loss=2.9224
router_aux_loss=1.0224
router_dropped_fraction=0.0151
router_entropy=1.0828
tokens_seen=327,680,000

Final validation result on the prepared local validation split:

eval_loss=2.9257
eval_lm_loss=2.9153
eval_perplexity=18.65

Eval perplexity trend:

500    84.64
1000   47.87
1500   36.22
2000   31.95
2500   29.52
3000   27.38
3500   25.95
4000   24.82
4500   23.57
5000   22.79
5500   22.06
6000   21.36
6500   20.81
7000   20.32
7500   19.87
8000   19.51
8500   19.24
9000   19.00
9500   18.75
10000  18.65

Global-MMLU Telugu

Evaluated on CohereForAI/Global-MMLU, config te, split test.

Four-pass full-option scoring with mean token log probability:

total=14,042
correct=3,400
accuracy=24.21%

This is essentially random-level for a 4-way benchmark. The model has learned some Telugu surface-form continuation, but it is not yet a useful knowledge or reasoning model.

Usage With Transformers Auto Classes

Because this is a custom architecture, pass trust_remote_code=True:

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = "srikarkashyap/telugu-gpt-moe-sangraha-10k"

tokenizer = AutoTokenizer.from_pretrained(repo_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    repo_id,
    trust_remote_code=True,
    torch_dtype=torch.bfloat16,
    device_map="cuda",
)

prompt = "తెలుగు భాష"
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(
    **inputs,
    max_new_tokens=96,
    do_sample=True,
    temperature=0.7,
    top_p=0.9,
    repetition_penalty=1.15,
)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

The model does not implement KV-cache yet, so generation works but is slower than stock GPT-style models with cached decoding.

Usage With Included Sampler

Clone this repository and run the included sampler from the repo root:

uv run python sample_checkpoint.py `
  --checkpoint . `
  --device cuda `
  --dtype bfloat16 `
  --prompt "తెలుగు భాష" `
  --max_new_tokens 96 `
  --temperature 0.7 `
  --top_p 0.9 `
  --repetition_penalty 1.15

CPU sampling also works, but is slower:

uv run python sample_checkpoint.py --checkpoint . --device cpu --prompt "తెలుగు భాష"

Limitations

  • Not instruction tuned.
  • Not aligned for chat.
  • Not reliable for factual QA.
  • Shows scraped-web/news-style continuation artifacts.
  • Global-MMLU Telugu is random-level.
  • Custom architecture requires the included code.

Intended Use

This checkpoint is best used as:

  • a Telugu base-LM experiment,
  • a continuation point for more pretraining,
  • a starting point for Telugu SFT experiments,
  • a reproducibility artifact for a small local-GPU training run.

It should not be used for production factual answering, medical/legal/financial advice, or safety-critical applications.

Citation / Data

Training data came from ai4bharat/sangraha. Evaluation used CohereForAI/Global-MMLU.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
ModernGPTMoEForCausalLM
Ревизия весов
2051bfc

0 моделей