/ Модель

Характеристики

Контекст
8 192 токена
Параметры
134 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
SmolLM2-135M-Instruct
Библиотека
transformers
Опубликована
29 сен 2026

SmolLM2-135M-layertrop-topk-k3

Генерация текстаТекст → текст3 профессии

Экспериментальная компактная диалоговая Llama-модель, дообученная для устойчивости к удалению отдельных декодерных блоков.

502скачиваний за 30 дней0лайковвеса обновлены30 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

SmolLM2-135M-layertrop-topk-k3 — это экспериментальный вариант SmolLM2-135M-Instruct, дообученный автором styal с выборочным исключением декодерных блоков. Модель построена на архитектуре LlamaForCausalLM, содержит 134,5 млн параметров, принимает текст и поддерживает контекст до 8192 токенов. Основной сценарий — генерация и диалог на английском языке с повышенной устойчивостью к удалению отдельных блоков модели.

При дообучении в течение 1000 шагов на 8000 диалогах для каждого примера случайно исключались три из 30 блоков с помощью Gumbel top-k. На указанном тестовом наборе максимальный прирост потерь при удалении одного блока снизился на 35% относительно базовой модели; потери при обычной оценке составили 1,1730. Результаты не доказывают, что улучшение вызвано именно LayerDrop: контрольного дообучения без исключения блоков нет, а модель ещё не сошлась. Лицензия — Apache-2.0.

Сценарии применения

  • англоязычная генерация текста
  • англоязычный диалог с компактной языковой моделью
  • эксперименты с устойчивостью LLM к удалению слоёв
  • сравнение качества и отказоустойчивости вариантов LayerDrop

Ограничения

Модель ещё не сошлась, а контрольного запуска без LayerDrop нет, поэтому эффект нельзя однозначно приписать этому методу. Качество по eval loss немного хуже, чем у варианта с 500 шагами; результаты квантизации для этой версии не измерялись.

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

SmolLM2-135M-Instruct — LayerDrop fine-tune, Gumbel top-k, 1000 steps, k=3

Continued fine-tune of HuggingFaceTB/SmolLM2-135M-Instruct that makes the model less fragile to any single decoder block being removed. 1000 steps, k=3 of 30 blocks dropped per example, 8000 conversations (two thirds of one epoch, no row reuse).

Drop policy

Each block's drop score is its measured delta_loss -- the eval-loss increase from removing that block alone -- divided by the sum over all blocks. Every training example then drops a random k-subset sampled by Gumbel top-k: Gumbel(0,1) noise is added to the scores and the k largest are taken.

  • no anneal, no p_max cap, no renormalisation, no importance floor
  • the noise makes it a sample rather than a fixed ranking, so no block is dropped from every example
  • taking the top k guarantees exactly k distinct blocks per example

The weighting is mild by construction. Gumbel noise has spread ~1.27 while the scores are ~0.004-0.385, so the noise dominates: block 0 is dropped ~14% of examples against ~10% for a uniformly random block. Scaling the scores before the perturbation would strengthen the preference; that knob is not implemented.

Results (smol-smoltalk:test, 512 conversations, 363,373 scored tokens, seed 42)

Identical eval slice to the baseline and to every other run, so they are directly comparable.

metricbase500 steps1000 steps (this)v7 (1500 steps, old policy)
eval loss1.26941.16491.17301.1914
max_delta_loss (worst-case removal damage)8.3425.900 (-28%)5.348 (-35%)4.762 (-43%)
sum_delta_loss21.6811.8410.409.69
max_over_min100.6x76.2x74.2x62.9x
coefficient of variation2.1592.6302.7072.575
block-0 share of removal cost38.5%49.8%51.4%49.2%

Read the direction carefully, it is mixed:

  • Worst-case removal damage keeps improving with budget: -28% at 500 steps, -35% at 1000, against v7's -43% at 1500. The dev-slice trace was monotone (6.02 / 5.46 / 5.25 / 5.18 at steps 250/500/750/1000) with no plateau, though 750->1000 bought only 0.07.
  • Quality got slightly worse with more training: 1.1649 at 500 steps to 1.1730 at 1000. That is the robustness/quality trade-off showing up, and the 500-step run is the best checkpoint on loss alone.
  • The distribution did not become more uniform. CV climbed 2.159 -> 2.707 and block 0 grew from 38.5% to 51.4% of all removal cost. CV and max/mean are not progress signals here -- they normalise by the sum, so a run that makes every block cheaper to remove can show a worse CV. max_delta_loss is the decisive metric.

4-bit quantization

Not measured for this checkpoint. The 500-step sibling run was measured at Q4_K (4.5 bits/weight): loss 1.2805, damage +0.1157 against the base model's +0.1526, i.e. 24% of the damage removed. That is the sibling model's number, not this one's, and it will not transfer automatically -- although max_delta_loss is better here, which suggests the damage reduction should be at least as good.

Caveats

  • No control run. No p_max=0 (no-drop) fine-tune of equal budget exists, so nothing here is established to be caused by LayerDrop rather than by any continued fine-tune on this data. This applies to every number in the table.
  • Not converged. max_delta_loss was still falling at 1000 steps.
  • Importance is more concentrated, not less.
  • The 500-step run with its own 4-bit measurements was overwritten in this repo by the kernel push; those numbers survive in the project's results/ tree.

Training config

  • base: HuggingFaceTB/SmolLM2-135M-Instruct @ 12fd25f
  • 1000 steps x batch 8 = 8,000 conversations, seq 512, lr 2e-5 cosine, no row reuse
  • importance measured on a dev slice from the train corpus; the test slice is used exactly once, for the final report
  • policy refreshed every 250 steps (4 refreshes), saved in fp16

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
a575c28

0 моделей