/ Модель

Характеристики

Контекст
512 токенов
Параметры
112 млн
Лицензия
MIT
Библиотека
transformers
Опубликована
20 июл 2026

BabySteps_SidBert-100M-mixed

Генерация текстаТекст → текст3 профессии

Небольшая англоязычная GPT-BERT-модель BabyLM для экспериментов с маскированным и каузальным языковым моделированием на ограниченных данных.

60скачиваний за 30 дней0лайковвеса обновлены14 сен 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

BabySteps SidBert 100M — англоязычная GPT-BERT-модель команды BabySteps, созданная для челленджа BabyLM 2026. Это исследовательский чекпойнт примерно на 112 млн параметров: метаданные указывают класс GPTBERTFoCausalLM, библиотеку Transformers и контекст 512 токенов. Модель обучена оптимизатором Muon на официальном строгом корпусе BabyLM объёмом 100 млн слов без синтетических данных и учительских моделей; поддерживает маскированную и каузальную языковые цели. В README приведены результаты оценки на BLiMP, EWoK и SuperGLUE.

Модель подходит для экспериментов с предобучением на ограниченном объёме данных и для оценки языковых способностей небольших моделей; её можно загружать как AutoModelForMaskedLM или AutoModelForCausalLM. Она обучена только на английском, не проходила дообучение для следования инструкциям и не предназначена для производственного применения. Результаты могут колебаться из-за недетерминированного обучения на GPU; возможны неграмотные или фактически неверные ответы и смещения обучающего корпуса. Лицензия — MIT.

Сценарии применения

  • эксперименты с предобучением языковых моделей на небольших корпусах
  • заполнение пропусков в англоязычном тексте
  • оценка грамматических знаний модели на BLiMP
  • исследование влияния оптимизатора на качество языковой модели

Ограничения

Модель обучена только на английском, не настроена на инструкции и предназначена для исследований, а не для производственного применения. Возможны неграмотные или фактически неверные ответы и смещения корпуса; результаты оценки могут заметно различаться между запусками.

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

BabySteps SidBert 100M (BabyLM 2026, strict track)

A GPT-BERT hybrid masked/causal language model trained on the official BabyLM 2026 strict corpus (100M words), submitted by team BabySteps to the 2026 BabyLM Challenge.

The central finding behind this model: under a fixed strong architecture at BabyLM scales, optimizer choice and learning-rate tuning outperformed every data-centric intervention we tried: curriculum-ordered corpora, textbook and story corpora, synthetic data generation, and teacher-supervised auxiliary losses. This model is a faithful GPT-BERT reconstruction trained with the Muon optimizer on the unmodified official corpus, trained on two gpus.

Model details

ArchitectureGPT-BERT (hybrid masked + causal objective)
Parameters~125M
Hidden size / layers / heads768 / 12 / 12
Vocabulary16,384 (BabyLM GPT-BERT baseline BPE)
Training sequence length128
Objectivemixed (causal_per_masked = 1)
OptimizerMuon (lr 0.005), auxiliary AdamW-style lr 0.007
Schedulelinear warmup + two-phase decay
Steps × tokens/step12,330 × 131,072 (~1.6B tokens, ~12 epochs)
Precisionbf16
Seed42
Hardware2 × NVIDIA RTX 5090 (data-parallel)
Evaluation modeMNTP

Training data

The official BabyLM 2026 strict corpus (100M words) — no custom, synthetic, or augmented data, and no teacher models.

Results (official BabyLM 2026 evaluation pipeline, MNTP)

TaskScore
BLiMP78.69
BLiMP Supplement72.68
EWoK56.20
Entity Tracking22.18
COMPS57.66
Global PIQA36.09
(Super)GLUE (finetuned)72.42

SuperGLUE per task: BoolQ 71.8 · MNLI 66.2 · MRPC (F1) 90.7 · MultiRC 67.0 · QQP (F1) 77.4 · RTE 70.5 · WSC 63.5 Finetuning recipe: lr 2e-5, seed 42, batch size 4, 10 epochs.

Checkpoints

Intermediate checkpoints are published as branches following the BabyLM naming convention chck_{N}M, covering the required milestone schedule (1M–10M, 10M–100M, 100M–1000M words seen).

from transformers import AutoModelForMaskedLM, AutoTokenizer

model = AutoModelForMaskedLM.from_pretrained(
    "svsatheesh/BabySteps_SidBert-100M-mixed", trust_remote_code=True
)
tokenizer = AutoTokenizer.from_pretrained("svsatheesh/BabySteps_SidBert-100M-mixed")

# a specific milestone checkpoint:
early = AutoModelForMaskedLM.from_pretrained(
    "svsatheesh/BabySteps_SidBert-100M-mixed", revision="chck_10M", trust_remote_code=True
)

The model can also be loaded with AutoModelForCausalLM, since GPT-BERT is trained under both objectives.

Reproducibility note

We trained several models with identical configuration and identical seed, differing only in GPU execution. Their scores span a full point of aggregate performance (seven-suite macro average 56.56–57.91, mean 57.31, sd 0.37), with per-suite ranges of 1.8 (BLiMP), 3.6 (BLiMP Supplement), 5.4 (entity tracking), 7.9 (Global PIQA) and 1.7 (SuperGLUE) points. Training is not bit-reproducible under bf16 with non-deterministic CUDA kernels, and small evaluation suites amplify the resulting differences. Point-scale differences between models at this scale should be interpreted with this variance in mind.

We additionally observe that two-GPU data-parallel runs of this configuration score systematically ~1 BLiMP point below single-GPU runs.

Limitations

Trained on 100M words of English only. Not instruction-tuned, not aligned, and not intended for production use — it is a research artifact for studying sample-efficient pretraining. Outputs may be ungrammatical, factually wrong, or reflect biases present in the BabyLM corpus.

Citation

@inproceedings{satheesh2026babysteps,
  title     = {BabySteps at BabyLM 2026: Optimizer Choice and Hyperparameter Tuning
               Beat Data Interventions for Sample-Efficient GPT-BERT Pretraining},
  author    = {Satheesh, Siddhi; Murillo, Jorge; Chen, Yubei},
  booktitle = {Proceedings of the BabyLM Challenge at EMNLP 2026},
  year      = {2026}
}

Built on GPT-BERT (Charpentier & Samuel, 2024) and the Muon optimizer (Jordan et al., 2024).

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

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

Класс архитектуры
GPTBERTFoCausalLM
Ревизия весов
5397857

0 моделей