50M-2048-Emhotob

50M-2048-Emhotob (إمحوتب) — Arabic Base Model

Emhotob is a ~51.8M-parameter Llama-architecture language model pre-trained from scratch on ~20 billion Arabic tokens with a 2048-token context window. It is a proof-of-concept that a tiny model — small enough to run on a CPU — can be trained from scratch to produce coherent Arabic.

This is a base (pretrained) model: a next-token predictor with no instruction or chat tuning. It is the foundation for the fine-tuned variants below.

• Architecture & training recipe: derived from SupraLabs/Supra-50M-Base ("Project Chimera"), re-run from scratch on an Arabic corpus with a custom Arabic tokenizer.
• Pre-training corpus: kaust-generative-ai/fineweb-edu-ar (Arabic).

الملخص بالعربية: «إمحوتب» نموذج لغوي عربي صغير (~51.8 مليون معامل) بمعمارية Llama، مُدرَّب من الصفر على ~20 مليار رمز (token) عربي بطول سياق 2048. نموذج أساس (Base) بدون ضبط تعليمات أو محادثة. الهدف: إثبات إمكانية تدريب نموذج عربي مفيد على نطاق صغير جدًا يعمل حتى على المعالج (CPU). المعمارية وسكربتات التدريب مشتقة من SupraLabs/Supra-50M-Base.

---

Model details

---

Training

• Corpus: kaust-generative-ai/fineweb-edu-ar (config ar), streamed and tokenized to a memory-mapped token bin.
• Budget: 20,000,000,000 tokens, sequence length 2048, 1 epoch over the token stream.
• Tokenizer: custom byte-level BPE (ByteLevelBPETokenizer), vocab 32000, specials <s> / </s> / <unk> / <pad>.
• Optimizer: AdamW (fused), β = (0.9, 0.95), weight decay 0.1, grad clip 1.0.
• Schedule: lr 6e-4, cosine decay, warmup ratio 0.02.
• Precision / compute: bf16, torch.compile, effective batch 128 (per-device 16 × grad-accum 8).

The architecture and training loop follow SupraLabs/Supra-50M-Base ("Project Chimera — 50M Llama"). The pretraining script (train.py) is included in this repository.

---

Usage

The tokenizer uses the TokenizersBackend class, which requires transformers>=5.12. This is a base model — prompt it as a text completer, not a chat assistant:

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "oddadmix/50M-2048-Emhotob"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype=torch.bfloat16)

prompt = "اللغة العربية هي"
ids = tok(prompt, return_tensors="pt").to(model.device)
out = model.generate(
    **ids, max_new_tokens=128, do_sample=True,
    temperature=0.8, top_p=0.9, repetition_penalty=1.2,
)
print(tok.decode(out[0], skip_special_tokens=True))

---

Fine-tuned variants

---

Intended use & limitations

Intended use. A from-scratch Arabic base model for research and as a fine-tuning starting point; a CPU-friendly baseline for tiny Arabic SLM experiments.

Limitations. As a base model it does not follow instructions or hold a conversation out of the box — fine-tune it first. At ~50M parameters it is a proof of concept: expect limited world knowledge, weak reasoning, and repetition (use a repetition_penalty). Training data is web text (fineweb-edu-ar), so it carries that corpus's biases. Not suitable for factual, medical, legal, or financial use.

---

Credits

• Architecture & pretraining recipe: SupraLabs/Supra-50M-Base — "Project Chimera" (Apache-2.0).
• Pre-training corpus: kaust-generative-ai/fineweb-edu-ar.