/ Модель

Характеристики

Лицензия
cdla-sharing-1.0
Библиотека
pytorch
Опубликована
6 авг 2026

mini-llm

Генерация текстаТекст → текст

Небольшая GPT-модель, обученная с нуля на TinyStories для генерации коротких историй и изучения трансформеров.

0скачиваний за 30 дней0лайковвеса обновлены6 авг 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

vous99/mini-llm — небольшая авторская decoder-only GPT-модель, написанная и обученная разработчиком с нуля на PyTorch. Модель содержит 30 млн параметров, 8 слоёв, ширину 512 и 8 голов внимания. Её обучали за один ночной запуск на MacBook Pro с M5 Pro и MPS на корпусе TinyStories; вместе с моделью обучен BPE-токенизатор с словарём на 8192 токена. Для преобразования генерации в текст требуется файл tokenizer.json.

Модель предназначена для генерации коротких историй в стиле корпуса TinyStories и для изучения обучения трансформеров. Она принимает текст и продолжает его; контекст ограничен 512 токенами. Это базовая модель без дообучения на инструкциях и без RLHF: она не обладает общими знаниями, не предназначена для ответов на вопросы или выполнения инструкций и не рекомендована для производственного применения. Лицензия — CDLA Sharing 1.0.

Сценарии применения

  • генерация коротких детских историй
  • продолжение текста в стиле TinyStories
  • изучение обучения GPT-трансформера на PyTorch

Ограничения

Обучена только на синтетических детских историях TinyStories и предназначена для генерации коротких текстов в этом стиле; не обладает общими знаниями, не отвечает на вопросы и не следует инструкциям. Контекст ограничен 512 токенами, а модель не рекомендована для производственного применения.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

mini-LLM — a 30M-parameter transformer trained overnight on a laptop

A decoder-only GPT written from scratch in plain PyTorch. No transformers, no accelerate, no fastai — the model, the tokenizer training and the training loop are all in the repository.

Code: https://github.com/vous99/mini-llm

Trained on one MacBook Pro (M5 Pro, 24 GB, MPS) in a single overnight run.

Results

MetricValue
Best val loss1.1527 (perplexity 3.17)
Loss at initialisation9.01 = ln(8192), the uniform-over-vocabulary baseline
Steps7,561
Tokens seen0.74B (1.4 epochs of TinyStories V2)
Training time~9 hours of compute at 23–25K tokens/s
Parameters29,893,120 (25.7M non-embedding)

Architecture

Modern rather than 2017: what separates this from the original transformer paper is where most of the interest lies.

Layers8
Model width512
Heads8 (head_dim 64)
Context512 tokens
Vocabulary8,192, byte-level BPE trained on the corpus itself
Positional encodingRoPE (rotary), not learned embeddings
NormalisationRMSNorm, pre-norm
Feed-forwardSwiGLU, hidden 1408 (8/3 × width, rounded to a multiple of 64)
AttentionF.scaled_dot_product_attention, causal
Embeddingstied — one matrix serves both input and output
Dropout0.0

The 8,192-token vocabulary is a deliberate choice: GPT-2's 50,257 would put a 25M-parameter embedding table inside a 30M-parameter model.

Usage

git clone https://github.com/vous99/mini-llm && cd mini-llm
pip install -r requirements.txt

python -c "
from huggingface_hub import hf_hub_download
import shutil, os
os.makedirs('ckpt', exist_ok=True); os.makedirs('data', exist_ok=True)
shutil.copy(hf_hub_download('vous99/mini-llm', 'best.pt'), 'ckpt/best.pt')
shutil.copy(hf_hub_download('vous99/mini-llm', 'tokenizer.json'), 'data/tokenizer.json')
"

python sample.py
python sample.py --prompt "Once upon a time, a little robot" --n 3
python chat.py                # terminal REPL
python serve.py               # browser playground on 127.0.0.1:8890

tokenizer.json is required. It is the BPE trained alongside the model; without it the weights emit token ids, not text.

Training details

OptimizerAdamW, lr 6e-4, betas (0.9, 0.95), grad clip 1.0
Weight decay0.1 on matrices, 0 on 1-D parameters (norms)
LR schedulelinear warmup 200 steps → cosine decay to 10% of peak
Batch24 × 8 gradient accumulation × 512 tokens = 98,304 tokens per step
Precisionbfloat16 autocast

Train and validation loss stayed within 0.01–0.03 of each other for the whole run — no overfitting, which is why dropout is 0.

Limitations

  • TinyStories only. The corpus is synthetic children's stories using a deliberately small vocabulary. The model writes fluent, coherent short stories in that register and nothing else. It has no world knowledge, cannot answer questions and cannot follow instructions.
  • 512-token context.
  • No instruction tuning, no RLHF. This is a base model in the most literal sense.
  • Not safe for production. It is a study artifact for understanding how a transformer trains.

Checkpoint contents

best.pt is a torch.save dict with model, cfg (the GPTConfig), iter, best_val and val_loss. Load it with sample.py from the GitHub repository.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
676ffeb

0 моделей