/ Модель

Характеристики

Параметры
3,7 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
tokle · dense
Библиотека
transformers
Опубликована
29 сен 2026

Tokle-3M

Генерация текстаТекст → текст3 профессии

Tokle-3M — экспериментальная сверхмалая англоязычная языковая модель для генерации текста и изучения компактных декодирующих трансформеров.

1 164скачиваний за 30 дней16лайковвеса обновлены9 окт 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

Tokle-3M — компактная авторегрессионная языковая модель Tech.us с архитектурой декодирующего трансформера Tokle. В метаданных указано 3,7 млн параметров, а в README — 2,91 млн параметров для опубликованной модели. Она использует RMSNorm, RoPE, групповое запросное внимание (GQA) и SwiGLU. На первом этапе обучения применялась таблица SPAB с PMI-оценками пар токенов; затем её удалили и продолжили обучение, чтобы перенести полученные знания в параметры модели.

Модель предназначена для экспериментов с очень малыми языковыми моделями и генерации английского текста. В README приведены результаты нулевого обучения на нескольких тестах рассуждения и понимания, однако автор предупреждает, что ответы часто повторяются, бывают бессвязными или фактически неверными. Контекст ограничен 512 токенами; модель не дообучена для следования инструкциям и не прошла настройку безопасности. Она обучалась на англоязычных веб-текстах, образовательных материалах и математических данных. Лицензия — CC BY-NC-SA 4.0, включая ограничения на коммерческое использование.

Сценарии применения

  • эксперименты с генерацией текста на очень малой языковой модели
  • изучение переноса статистики пар токенов в параметры трансформера
  • сравнение компактных языковых моделей на тестах понимания и рассуждения

Ограничения

Модель очень мала: генерации часто повторяются, бывают бессвязными или фактически неверными. Контекст ограничен 512 токенами; модель не настроена на выполнение инструкций и не прошла настройку безопасности.

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

Tokle-3M

Model Summary

Tokle-3M is a decoder-only language model with 2.91M parameters. It was first trained on 12B tokens with SPAB (Static Pairwise Attention Bias), a frozen table of 8.39M token-pair association scores built from Pointwise Mutual Information (PMI) over the training corpus, giving 11.3M parameters in total during this stage. During training, for every query-key pair, SPAB hashed the two token IDs into the table, retrieved their PMI value, scaled it by a learned per-head factor, and added it to the attention logits before softmax.

After this stage, the SPAB table was removed and the model was trained for an additional 0.5B tokens to distill the knowledge in the SPAB matrix into its own layers. As a result, Tokle-3M runs entirely on its 2.91M parameters at inference, with no SPAB table required.

Model Architecture

ParameterValue
ArchitectureDecoder-only transformer (RMSNorm, RoPE, GQA, SwiGLU)
Layers9
Hidden size (d_model)144
Attention heads3
KV heads (GQA)1 (multi-query attention)
Head dim48
FFN intermediate size432
Max sequence length512
Tie word embeddingsYes
PrecisionFP32 weights
Parameters2.91M

How to use

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "techdotus/Tokle-3M"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, trust_remote_code=True).eval()

ids = tok("The climate change", return_tensors="pt")
with torch.no_grad():
    out = model.generate(**ids, max_new_tokens=32, do_sample=False,
                         repetition_penalty=1.3)  # greedy
print(tok.decode(out[0], skip_special_tokens=True))

Benchmark Results

All scores are 0-shot acc_norm, using the Open SLM Leaderboard methodology.

HellaSwagARC-EasyARC-ChallengePIQAArithMark-3
27.20%34.85%23.98%55.01%40.80%

Ablation: SPAB vs. Distilled

Stage 1 model (SPAB active) vs. the released Tokle-3M (SPAB removed and distilled).

ModelParamsInt IndexHellaSwagARC-EasyARC-ChalPIQAArithMark-3
Tokle-SPAB-3M11.3M (2.91M trainable + 8.39M frozen)9.1627.22%34.68%24.49%54.95%41.70%
Tokle-3M2.91M8.9127.20%34.85%23.98%55.01%40.80%

Comparison Results

All scores are 0-shot acc_norm, using the Open SLM Leaderboard methodology. Scores for the other models are from the Open SLM Leaderboard. Bold marks the best result in each column.

ModelParamsInt IndexHellaSwagARC-EasyARC-ChalPIQAArithMark-3
Tokle-3M (Tech.us)2.91M8.9127.20%34.85%23.98%55.01%40.80%
pulvis-v22.96M×3*8.6227.93%31.86%22.78%56.86%37.40%
Purrence-3M2.99M×6*8.4927.81%34.55%23.63%56.64%34.80%
Ember-22.96M×2*7.2127.28%33.42%22.01%55.11%35.90%

Training Details

Tokle-3M was trained in two stages on the same data mixture.

StageTokensSPABParameters
1. Pretraining12BActive (frozen PMI table)11.3M (2.91M trainable + 8.39M frozen)
2. Distillation0.5BRemoved2.91M

Stage 2 lets the trained weights absorb the prior the SPAB table had been providing, so the released model is self-contained rather than losing that knowledge when the table is removed.

Training Data

We trained on a curated mixture with a strict cleaning pipeline that also removed topics not useful for a model of this size.

SourcePercentage
FineWeb-Edu43.1%
Cosmopedia24.3%
OpenMathInstruct-213.5%
Tiny Strange Textbooks9.0%
MegaScience (medicine & biology, custom curated)5.0%
High-Quality English Sentences3.0%
ScienceQA1.2%
Orca-Math Word Problems 200k0.9%
Total100%
  • Tokenizer: all data was tokenized with the model's 5,048-token BPE tokenizer, and 1% was held out for validation.
  • Blending: sources were blended per dataset using the weights above.

Limitations

  • Tiny model: with 2.91M parameters and 144-dim hidden states, generations are often repetitive, incoherent or factually wrong. The model is a research artifact for studying small-scale LMs, not an assistant.
  • Short context: 512 tokens maximum. RoPE tables are not built beyond that length.
  • English only: trained on English web, educational, synthetic and math text.
  • Not instruction-tuned or safety-aligned: it may reproduce biases present in web data.

License

Code: MIT. The modeling code, tokenizer, and training scripts are released under the MIT license.

Weights: CC BY-NC-SA 4.0. The training data includes MegaScience (CC BY-NC-SA 4.0), so the weights are released under the same terms: attribution required, non-commercial use only, and derivatives (including fine-tunes) must be shared under the same license.

Citation

@misc{tokle2026,
  title        = {{Tokle-3M}: Pointwise Mutual Information as a Removable
                  Inductive Bias for Self-Attention},
  author       = {{Tech.us Team}},
  year         = {2026},
  publisher    = {Hugging Face},
  howpublished = {\url{https://huggingface.co/techdotus/Tokle-3M}}
}

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
TokleForCausalLM
Ревизия весов
73a614c

0 моделей