/ Модель

Характеристики

Контекст
8 192 токена
Параметры
3,2 млрд
Лицензия
MIT
Архитектура
mistral · dense
Базовая модель
Ministral-3-3B-Base-2512
Опубликована
14 авг 2026

toffee-3b-beta

Генерация текстаТекст → текст15 профессий

Дообученная англоязычная модель-ассистент на 3,2 млрд параметров для диалога, математических задач и программирования.

639скачиваний за 30 дней3лайкавеса обновлены21 авг 2026

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

Toffee 3B β — языковая модель-ассистент, разработанная zait-ai и дообученная на базе mistralai/Ministral-3-3B-Base-2512. Она предназначена для диалога и выполнения инструкций, включая общие вопросы, математические задачи и программирование. Модель использует плотную архитектуру семейства Mistral, содержит 3,2 млрд параметров и поддерживает контекст до 8192 токенов.

Обучение проходило на смесях диалоговых, математических и программных инструкций. В карточке приведены результаты на MMLU, HellaSwag, BoolQ и Winogrande, однако сравнение с другими моделями обозначено как приблизительное из-за различий в настройках оценки. Основной язык — английский. Модель распространяется по лицензии MIT.

Сценарии применения

  • ответы на вопросы и диалог на английском языке
  • выполнение текстовых инструкций
  • решение математических задач
  • объяснение и написание программного кода
  • работа с длинными запросами в контексте до 8192 токенов

Ограничения

Основной язык модели — английский. Сравнение бенчмарков в карточке приблизительное: настройки оценки для разных моделей могли различаться.

Для каких профессий подходит15

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

image

Model Card for Toffee 3b β

We've finally completed Toffee β, a series of language models trained to act as helpful assistants. Toffee 3B β is the first model in the series, a refined version of mistralai/Ministral-3-3B-Base-2512, which was post-trained on high-quality instructional datasets.

In fact, we were trying to achieve the title of "The Gold Standard of Small Chat-models" and you know, we succeeded, the model scored excellent results on benchmarks for its number of parameters.

Model description

📊 MMLU & HellaSwag benchmarks results

image


image

ModelParamsMMLUHellaSwagBoolQWinogrande
Toffee-3B-β3B63.10%72.04%84.98%68.11%
Qwen2.5-3B-Instruct3B65.40%71.56%73.40%66.90%
Llama 3.2 3B-Instruct3B63.40%69.80%—67.96%
Falcon3-3B-Instruct3B56.90%——68.11%
Gemma 3 4B PT4B59.60%77.20%72.30%64.70%
Phi-3.5-mini-Instruct3.8B69.00%69.40%78.00% (2-shot)68.50%

Toffee-3B-β: MMLU 63.10%, HellaSwag 72.04%, BoolQ 84.98%, Winogrande 68.11%.

Results for the other models are taken from published model cards / benchmark reports. Evaluation settings may differ between models (shots, prompt format, evaluator version), so the table is an approximate comparison rather than a strictly controlled leaderboard.

Technical Specifications

PropertyValue
Parameters3B
ArchitectureMinistral 3 / Mistral-family
Context Length8,192 tokens
Vocabulary Size131,072
Hidden Size3,072
Layers26
Attention Heads32
KV Heads8
PrecisionBF16
Base ModelMinistral-3-3B-Base-2512
LicenseMIT

Training Details

ParameterValue
Base modelmistralai/Ministral-3-3B-Base-2512
Fine-tuningSupervised Fine-Tuning (SFT) + LoRA
Training examplesUp to 80,000
Train / eval split98% / 2%
Max sequence length8,192 tokens
LoRA rank32
LoRA alpha64
LoRA dropout0.05
LoRA targetsq_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj
Epochs1
Learning rate1e-4
LR schedulerCosine
Warmup ratio0.05
Weight decay0.01
Per-device batch size4
Gradient accumulation8
Effective batch size*32
OptimizerAdamW (adamw_torch)
PrecisionBF16, fallback to FP16
PackingEnabled
LossAssistant-only
Random seed42
FrameworkUnsloth + Hugging Face

Usage

import torch

from transformers import (
    Mistral3ForConditionalGeneration,
    MistralCommonBackend,
)

model_id = "maxzt/toffee-3b-beta"

tokenizer = MistralCommonBackend.from_pretrained(
    model_id,
)

model = Mistral3ForConditionalGeneration.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

user_message = "Explain why the sky is blue."

prompt = f"[INST] {user_message} [/INST] "

inputs = tokenizer.encode(
    prompt,
    return_tensors="pt",
).to(model.device)

with torch.no_grad():
    outputs = model.generate(
        inputs,
        max_new_tokens=512,
        temperature=0.7,
        top_p=0.9,
        do_sample=True,
    )

response = tokenizer.decode(
    outputs[0][inputs.shape[-1]:]
)

print(response.strip())

Training Data

Toffee-3B-β was trained on a curated mixture of instruction-following, mathematical reasoning, and programming data.

DatasetTarget examplesPurpose
HuggingFaceH4/ultrachat_200k35,000General instruction following and conversation
nvidia/OpenMathInstruct-225,000Mathematical reasoning and problem solving
m-a-p/CodeFeedback-Filtered-Instruction20,000Programming and code instruction following
Total80,000

The datasets were converted into a unified prompt/completion format, shuffled with a fixed seed (42), and split into 98% training / 2% evaluation data.

Examples longer than 8,192 tokens were removed. During SFT, loss was applied only to assistant completion tokens.

Citation

@misc{toffee3bbeta,
  title={Toffee 3B β},
  author={Max ZT},
  year={2026},
  publisher={Hugging Face},
  url={https://huggingface.co/maxzt/toffee-3b-beta}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
MistralForCausalLM
Ревизия весов
4b46cff

0 моделей