/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Apache 2.0
Архитектура
zhouaz_moe · dense
Библиотека
transformers
Опубликована
2 окт 2026

moe-500m-fineweb-edu

Генерация текстаТекст → текст3 профессии

Экспериментальная MoE-языковая модель Zhouaz объёмом около 496 млн параметров для генерации английского текста и демонстрации архитектуры смеси экспертов.

225скачиваний за 30 дней0лайковвеса обновлены2 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

zhouaz/moe-500m-fineweb-edu — экспериментальная авторская модель Zhouaz: декодерная языковая модель с архитектурой mixture-of-experts, обученная с нуля на HuggingFaceFW/fineweb-edu. Она предназначена для генерации текста и демонстрации пользовательской MoE-архитектуры, а не для получения качественных ответов или связного текста.

Модель содержит около 496 млн параметров, из которых активно используются примерно 194 млн на токен. Архитектура включает 16 слоёв, 8 экспертов с маршрутизацией top-2, GQA, RoPE и RMSNorm; контекст — 1024 токена, словарь — 50 257 токенов GPT-2 BPE. Обучение проведено в формате causal language modeling примерно на 65 млн токенов английского образовательного веб-текста.

Автор сообщает о финальной eval loss 4,7106 и perplexity около 111 и отмечает, что модель сильно недообучена: следует ожидать повторяющийся и малосвязный текст. Для загрузки архитектуры требуется trust_remote_code=True. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • эксперименты с пользовательской MoE-архитектурой
  • изучение маршрутизации top-2 между экспертами
  • тестирование генерации текста на английском языке

Ограничения

Модель обучена лишь примерно на 65 млн токенов и сильно недообучена; автор предупреждает о повторяющемся и малосвязном тексте. Для загрузки требуется 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

moe-500m-fineweb-edu (Zhouaz-MoE)

A custom mixture-of-experts decoder pretrained from scratch (random init) on HuggingFaceFW/fineweb-edu (sample-10BT, streaming), ~65M tokens in one ~82-minute run on a single NVIDIA A10G.

This model requires trust_remote_code=True — the architecture source ships in modeling_zhouaz_moe.py.

Architecture (chosen by CPU benchmark A/B against 4 candidates)

  • 16 layers, dim 1024, GQA attention (16 query heads : 4 KV heads), RoPE, RMSNorm (pre-norm), no biases
  • FFN = MoE: 8 experts, top-2 routing, SwiGLU expert hidden 1024
  • Switch-style load-balancing auxiliary loss, coef 0.01
  • Tied input/output embeddings, vocab 50257 (GPT-2 BPE), context 1024
  • Total params 496,224,256 (~496M) · active params per token ~194M
  • Benchmark motivation: fastest per-token decode of all candidates (38.7ms vs 75.4ms dense on CPU), ~2x faster than an equally-sized dense model, while carrying the most total (capacity) parameters.

Training

  • CLM loss + aux loss, bf16, packed 1024-token blocks
  • AdamW β=(0.9, 0.95), weight decay 0.1, grad clip 1.0
  • lr 3e-4, cosine, 200-step warmup, effective batch 32×1024 = 32,768 tokens/step
  • 2,000 optimizer steps ≈ 65.5M tokens

Results

MetricValue
final eval loss4.7106
eval perplexity≈ 111 (exp of eval loss)
final train loss (real)4.66

Heavily undertrained (65M tokens for ~194M active params — Chinchilla would want ~4B+). It demonstrates the architecture and pipeline, not quality: expect repetitive, low-coherence text.

Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

tok = AutoTokenizer.from_pretrained("zhouaz/moe-500m-fineweb-edu")
model = AutoModelForCausalLM.from_pretrained(
    "zhouaz/moe-500m-fineweb-edu", trust_remote_code=True).eval()

ids = tok("The history of the Roman Empire begins", return_tensors="pt").input_ids
for _ in range(60):
    with torch.no_grad():
        logits = model(ids).logits
    ids = torch.cat([ids, torch.multinomial(torch.softmax(logits[0, -1] / 0.8, -1), 1)[None]], 1)
print(tok.decode(ids[0], skip_special_tokens=True))

Note on logged loss

The Trainer's loss field in logs is the pre-gradient-accumulation value (accum=4); divide by 4. Eval loss is unaffected.

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
ZhouazPretrainedModelForCausalLM
Ревизия весов
f06365b

0 моделей