/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
257 млн
Лицензия
Gemma
Архитектура
gemma3_moe · MoE
Базовая модель
gemma-3-270m
Библиотека
transformers
Опубликована
22 июл 2026

gemma3moe-16x4-270m-starter

Генерация текстаТекст → текст3 профессии

Стартовая MoE-инициализация на базе Gemma 3 270M для дальнейшего обучения и дообучения.

2 704скачиваний за 30 дней0лайковвеса обновлены22 июл 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

tardellirs/gemma3moe-16x4-270m-starter — это стартовая инициализация разреженной модели Mixture-of-Experts, созданная на основе google/gemma-3-270m. Она предназначена для дальнейшего обучения или дообучения, а не как готовый обученный MoE-чекпойнт. По карточке, при инициализации она математически совпадает с исходной плотной моделью Gemma 3 270M.

Архитектура заменяет плотные FFN-блоки маршрутизатором и 16 экспертами Gemma3MLP; для каждого токена выбираются четыре эксперта с перенормированными весами. В README указаны около 1,33 млрд параметров всего и 481 млн активных, 18 слоёв, скрытый размер 640 и контекст 32 768 токенов. Модель принимает текст и генерирует текст; в метаданных указан английский язык. Для загрузки через Transformers используется пользовательский код из репозитория и параметр trust_remote_code=True; также заявлена совместимость с llama.cpp.

Практическое назначение — служить основой для экспериментов с обучением и специализацией экспертов. До обучения она ведёт себя как исходная Gemma 3 270M, поэтому дополнительные возможности MoE сами по себе не означают улучшения качества. Лицензия — Gemma.

Сценарии применения

  • эксперименты с разреженной архитектурой Mixture-of-Experts
  • дообучение текстовой модели с 16 экспертами
  • обучение маршрутизатора и специализация экспертов
  • исследование sparse upcycling для языковых моделей

Ограничения

Это необученная MoE-инициализация: до обучения она математически совпадает с плотной Gemma 3 270M, поэтому не следует ожидать от неё приобретённых преимуществ специализации экспертов. Для загрузки в Transformers требуется включить trust_remote_code=True.

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

gemma3moe-16x4-270m-starter

License Base Arch Params Status

A ready-made Mixture-of-Experts initialization — 16 experts, top-4 — sparse-upcycled from google/gemma-3-270m. This is a starting point for your own training / fine-tuning, not a trained model: it is the standard copy-init upcycle, so at step 0 it is mathematically identical to the dense Gemma-3-270m. Load it, then train.

⚠️ Untrained. Out of the box it behaves exactly like gemma-3-270m (verified: max logit diff 0.000e+00). Its value is as a clean MoE init with more capacity to train into.

  • 🧩 Architecture: gemma3moe — Gemma-3 with each dense FFN replaced by a router + 16 Gemma3MLP experts (softmax top-4, renormalized).
  • 💾 Size: ~1.33B total / ~481M active (top-4). Full 262k vocabulary (not trimmed).
  • ⚡ CPU-friendly: active params — not total — drive latency; runs on llama.cpp.
  • 🔁 Self-contained: ships modeling_gemma3_moe.py + auto_map, so it reloads with trust_remote_code=True.

Why start from an upcycled MoE?

Sparse upcycling initializes each expert from the pretrained dense FFN, so you keep all of Gemma-3-270m's learned knowledge while adding capacity (16× the FFN parameters) that training can specialize. Copy-init makes the MoE exactly equal to the dense model at step 0 — a stable, well-behaved starting point, strictly better than training a randomly-initialized MoE from scratch.

Total paramsActive (top-4)Vocab
This checkpoint~1.33B~481M262k (full)
google/gemma-3-270m (dense)~268M~268M262k

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

repo = "tardellirs/gemma3moe-16x4-270m-starter"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, trust_remote_code=True, dtype=torch.bfloat16)

# It's an INIT — fine-tune it on your data before using for generation.

Choose a different experts/top-k or a trimmed vocabulary, and serve on CPU via llama.cpp, using the open-source toolkit that built this checkpoint:

➡️ github.com/tardellirs/gemma3moe-builder

# reproduce this checkpoint
python -m gemma3moe.upcycle --src google/gemma-3-270m --out ./starter --num-experts 16 --top-k 4
# fine-tune
python -m gemma3moe.train --init ./starter --train train.jsonl --val val.jsonl --out ./trained

Details

  • Router initialized small but non-zero (std=0.02) so gradients can differentiate the experts during training; all 16 experts are copies of the dense FFN at init.
  • Add a Switch-style load-balance aux loss (+ z-loss) when you train (see the toolkit's train.py and docs/NOTES.md).
  • 18 layers, hidden 640, expert intermediate 2048.

License

Weights derive from Gemma-3 and are subject to the Gemma Terms of Use. Built with gemma3moe-builder (Apache-2.0).

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
Gemma3MoeForCausalLM
Ревизия весов
d8993f3

0 моделей