/ Модель

Характеристики

Контекст
512 токенов
Параметры
112 млн
Лицензия
MIT
Библиотека
transformers
Опубликована
1 авг 2026

BabySteps_SidBert-rep29-100M-mixed

Генерация текстаТекст → текст3 профессии

Англоязычная GPT-BERT-модель BabySteps, обученная на ограниченном корпусе BabyLM для изучения предобучения и языковых бенчмарков.

129скачиваний за 30 дней1лайквеса 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-rep29-100M-mixed — англоязычная GPT-BERT-модель команды BabySteps для экспериментов в строгом треке BabyLM 2026. Она обучена на официальном корпусе BabyLM объёмом 100 млн слов без синтетических или дополненных данных и без учительских моделей; в обучении использован оптимизатор Muon. Архитектура сочетает маскированную и причинную языковые цели. В метаданных указано 111,7 млн параметров, 512 токенов контекста и формат PyTorch; README приводит конфигурацию из 12 слоёв с размером скрытого состояния 768 и 12 головами.

Модель предназначена для изучения предобучения на ограниченных данных и оценки языковых знаний, в том числе на бенчмарках BabyLM. Её можно применять для заполнения пропусков в тексте и причинной генерации; README также описывает дообучение на задачах SuperGLUE. Это исследовательский артефакт, не настроенный на выполнение инструкций и не предназначенный для производственного использования. README сообщает о заметной вариативности результатов между запусками, а также о возможных неграмматичных или фактически неверных ответах и смещениях из обучающего корпуса. Лицензия — MIT.

Сценарии применения

  • Заполнение пропусков в англоязычных текстах
  • Исследование языковых моделей, обученных на ограниченных данных
  • Оценка языковых знаний на бенчмарках BabyLM
  • Эксперименты с причинной генерацией текста
  • Дообучение для задач SuperGLUE

Ограничения

Модель не настроена на выполнение инструкций и не предназначена для производственного использования; возможны неграмматичные и фактически неверные ответы, а также смещения из обучающего корпуса. Результаты могут заметно меняться между запусками, особенно на небольших оценочных наборах.

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 a single GPU.

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
Hardware1 × 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
BLiMP79.53
BLiMP Supplement71.86
EWoK56.36
Entity Tracking24.52
COMPS59.41
Global PIQA40.67
(Super)GLUE (finetuned)73.03

SuperGLUE per task: BoolQ 71.0 · MNLI 68.9 · MRPC (F1) 91.3 · MultiRC 68.1 · 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. This model is a single-GPU run.

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
35793a3

0 моделей