/ Модель

Характеристики

Контекст
8 192 токена
Параметры
1,8 млрд
Лицензия
MIT
Архитектура
llama · dense
Библиотека
transformers
Опубликована
15 сен 2025

CohereLabs-aya-expanse-8b

Генерация текстаТекст → текст3 профессии

Базовая мультиязычная модель TokSuite с токенизатором Aya для исследований влияния токенизации и устойчивости языковых моделей к текстовым искажениям.

253скачиваний за 30 дней0лайковвеса обновлены25 дек 2025

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

TokSuite–Aya — базовая языковая модель из набора TokSuite, созданного для изучения влияния выбора токенизатора на поведение языковых моделей в контролируемых условиях. Модель разработана авторами TokSuite; она использует токенизатор Aya на основе BPE с GPT-2-предобработкой, словарём из 255 029 токенов и обработкой неизвестных последовательностей через байтовый fallback. Архитектура — плотный decoder-only Transformer семейства Llama, основанный на конфигурации Lingua Llama 3.2 1B. Метаданные указывают 1,8 млрд параметров и контекст 8192 токена; в README указаны около 1 млрд параметров без эмбеддингов и контекст 4096 токенов.

Модель предназначена для исследований мультиязычной токенизации, устойчивости к орфографическим и форматным искажениям, сравнительных экспериментов и бенчмаркинга. Она обучена на корпусе примерно из 100 млрд токенов: английском и мультиязычной части на китайском, турецком, итальянском и фарси. Это базовая модель, не настроенная на выполнение инструкций, диалог или развёртывание в пользовательских приложениях; результаты README ориентированы на исследовательские и бенчмарковые сценарии.

Модель распространяется в формате safetensors по лицензии MIT. В README отмечены ограниченный набор из пяти языков, возможные смещения обучающих веб-данных и зависимость объёма увиденного исходного текста от эффективности токенизатора; для высокорисковых или пользовательских сценариев требуется дополнительная проверка.

Сценарии применения

  • сравнение поведения языковых моделей с разными токенизаторами
  • оценка устойчивости к опечаткам и орфографическим вариациям
  • бенчмаркинг обработки шума OCR, пробелов и Unicode
  • исследование мультиязычной токенизации на пяти языках
  • контролируемые абляционные эксперименты с токенизаторами

Ограничения

Модель не настроена на выполнение инструкций или диалог и ограничена английским, китайским, турецким, итальянским и фарси. Она может наследовать смещения веб-данных и предназначена для исследований, поэтому для пользовательских или высокорисковых применений требуется дополнительная проверка.

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

TokSuite – Aya

Model Summary

TokSuite–Aya is part of TokSuite, a suite of language models designed to study the impact of tokenizer choice on language model behavior under controlled conditions.

This model uses the Aya tokenizer and is otherwise identical to the other TokSuite models in architecture, training data, training budget, and initialization. The TokSuite setup ensures that any observed behavioral characteristics reflect properties of the tokenizer rather than differences in model scale, data composition, or optimization.


Tokenizer

  • Tokenizer: Aya
  • Tokenization method: BPE
  • Vocabulary size: 255,029
  • Out-of-vocabulary handling: Byte-fallback
  • Language coverage: Multilingual
  • Pretokenization source: GPT-2

Processing details:

  • Numbers: Split
  • Contractions: GPT-2
  • Unicode normalization: NFC
  • Whitespace / boundary markers: Learned
  • Zerowidth chars: Token

Why Aya?

Aya was included in TokSuite to represent a large-vocabulary multilingual BPE tokenizer using GPT-2–style pretokenization. As described in the tokenizer selection rationale of the TokSuite paper, Aya exemplifies a design point that combines extensive vocabulary capacity with a widely adopted pretokenization scheme.

Including Aya enables TokSuite to study tokenizer behavior in settings where:

  • BPE segmentation is paired with GPT-2–style preprocessing,
  • vocabulary size is very large,
  • and multilingual text is handled through a single shared tokenizer.

This makes Aya a representative example of large-scale multilingual BPE tokenization.


Model Architecture

  • Architecture: Decoder-only Transformer (Lingua's Llama-3.2-1B configuration)
  • Non-embedding parameters: ~1B
  • Context length: 4096 tokens
  • Framework: Meta Lingua
  • Initialization: Shared super-vocabulary initialization across TokSuite models

The architecture and training setup are identical across all TokSuite models; only the tokenizer differs.


Training Data

The model was trained on a multilingual corpus totaling approximately 100B tokens, composed of:

  • English: 40B tokens from FineWeb-Edu
  • Multilingual: 60B tokens evenly distributed across:
    • Chinese (ZH)
    • Turkish (TR)
    • Italian (IT)
    • Farsi (FA)

You can find the pretraining dataset here: toksuite/toksuite_pretraining_data

All TokSuite models are trained using a fixed token budget, following common practice in large-scale language model training.


Training Procedure

  • Training steps: 100,000
  • Sequence length: 4096
  • Batch size: 256 sequences
  • Optimizer: AdamW
  • Peak learning rate: 1e-3
  • Learning rate schedule: Cosine decay with 2,000 warm-up steps
  • Weight decay: 0.1

Evaluation

Canonical Benchmarks

The model was evaluated on standard base language model benchmarks:

  • HellaSwag
  • ARC
  • PIQA
  • XNLI

These evaluations verify that the model exhibits reasonable base language modeling behavior at its scale and training budget.

TokSuite Robustness Benchmark

TokSuite–Aya is evaluated on the TokSuite robustness benchmark, which measures sensitivity to real-world text perturbations, including:

  • orthographic and spelling variations,
  • diacritics presence and absence,
  • keyboard and input-method noise,
  • Unicode formatting and homoglyphs,
  • OCR and spacing artifacts,
  • LaTeX and STEM-style formatting.

Tokenization Robustness under Multilingual Text Perturbations
Values represent relative performance drop, computed as (Acc_clean − Acc_perturbed) / Acc_clean, where lower values indicate greater robustness.

Perturbation types include:

  • Input: non-native keyboard input and romanization
  • Diacr.: optional diacritics
  • Orth.& Gram.: orthographic and grammatical errors
  • Morph: morphological variations including derivations, inflections, and contractions
  • Noise: homoglyph substitutions, OCR artifacts, typos, and spacing errors
  • LaTeX: LaTeX-style mathematical formatting
  • STEM: scientific diagrams and notational conventions
  • Unic.: Unicode styling characters

NEN denotes non-English inputs and EN denotes English inputs. The Avg column reports the average relative performance drop across all perturbation categories.

ModelInput (NEN)Diacr. (NEN)Orth. & Gram. (EN)Orth. & Gram. (NEN)Morph (EN)Morph (NEN)Noise (EN)Noise (NEN)LaTeX (EN)STEM (EN)Unic. (EN)Avg ↓
TokenMonster0.230.330.080.010.23-0.070.100.180.210.100.510.17
XGLM0.340.490.100.110.250.070.120.220.290.290.110.22
BLOOM0.300.340.130.070.180.110.180.180.240.110.570.22
ByT50.300.440.040.060.270.040.140.180.170.290.530.22
Comma0.280.430.050.070.180.000.110.200.230.290.610.22
mBERT0.330.440.110.110.230.060.180.220.140.220.610.24
GPT-4o0.300.510.080.050.210.050.160.190.240.330.550.24
GPT-20.340.460.070.100.250.060.140.210.240.350.530.25
Phi-30.330.460.160.090.270.080.170.210.240.220.550.25
Gemma-20.320.420.140.150.240.030.160.250.220.360.570.26
Qwen-30.360.420.140.110.250.060.160.230.260.290.570.26
Llama-3.20.330.550.110.100.250.080.150.240.170.300.590.26
Aya0.310.460.140.100.220.030.190.250.210.380.580.26
Tekken0.330.470.180.030.310.100.140.210.270.430.540.27
Avg0.310.440.110.080.240.040.150.210.220.280.530.24

Intended Use

This model is intended for:

  • research on tokenization and robustness,
  • multilingual NLP analysis,
  • controlled ablation studies,
  • benchmarking tokenizer behavior under noise.

It is not instruction-tuned, aligned, or optimized for deployment.


Limitations

  • Trained on a limited set of five languages.
  • Not optimized for instruction following or dialogue.
  • Fixed token budget constrains exposure to raw text depending on tokenization efficiency.
  • Intended strictly for research purposes.

Ethical Considerations

TokSuite models are released to support scientific investigation of tokenization effects.
They may reflect biases present in large-scale web data and should not be used in high-stakes or user-facing applications without additional safeguards.


Citation

If you use this model, please cite:

@article{toksuite2025,
  title={TokSuite: Measuring the Impact of Tokenizer Choice on Language Model Behavior},
  author={Altıntaş, Gul Sena and Ehghaghi, Malikeh and Lester, Brian and Liu, Fengyuan and Zhao, Wanru and Ciccone, Marco and Raffel, Colin},
  year={2025},
  arxiv={https://arxiv.org/abs/2512.20757},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Ревизия весов
eca1ffc

0 моделей