tinylm-11m

TinyLM-11M

Языковая модель на 10.56M параметров, обученная с нуля за одну ночь на одной RTX 5090. Свой токенизатор, свой претрейн, свой SFT, свой тренировочный цикл — без transformers, trl и accelerate в обучении.

Запускается в LM Studio: файлы tinylm-11m-q8_0.gguf (11 МБ) и tinylm-11m-f16.gguf (20 МБ) лежат в этом же репозитории.

Что она умеет

Связный английский в коротких формах, удержание chat-формата и выполнение арифметической процедуры, а не припоминание таблиц: количество разрядов считается заранее, колонки нумеруются, конец счёта объявляется явно. Поэтому процедура переносится на длины, которых почти не было в обучении.

<|user|>12345678 + 87654321<|assistant|>
Let me add digit by digit.
Line up the digits from the right and add each column with the carry.
12345678 has 8 digits, 87654321 has 8 digits, so 8 columns
column 1 of 8: 8 + 1 + 0 = 9 -> write 9 carry 0
...
all 8 columns done, no carry left
The answer is 99999999.

Проверено на числах до 8 разрядов, с каскадным переносом (9999999 + 1 → 10000000) и вычитанием с заёмом через нули (5000 - 4321 → 679). Запрос понимается в любой записи: 8+1, 8 + 1, What is 8 + 1?, add 8 and 1, 8 plus 1.

На фактические вопросы, ответ на которые нельзя вывести рассуждением («столица страны», «кто написал книгу»), модель отвечает «I don't know» вместо выдумывания.

<|user|>Write a short story about a dragon who was afraid to fly.<|assistant|>
Once upon a time, there was a dragon. He was big and scary, but he was also very
brave. He wanted to fly, but he was too scared. One day, the dragon saw a bird...

Чего она не умеет — и не может

Фактических знаний о мире у неё нет. Ёмкость знаний трансформера — порядка 2 бит на параметр, то есть здесь около 2.7 МБ на всё. Это физический предел, а не недоработка: весь бюджет параметров потрачен на связность речи, а не на эрудицию. Стандартные бенчмарки (MMLU, ARC, HumanEval) для неё бессмысленны и не измерялись. Не будет также длинных диалогов и кода.

Метрики

Собственный набор проверок, 64 held-out задачи, greedy:

Валидационный лосс: истории 1.269 (0.457 bits/char), инструкции 1.288, синтетика 0.203, человеческий текст 3.068.

Как обучалась

* метрика формата занижена: она требует строку The answer is, которой у отказов нет по определению — а отказы составляют 8% набора.

Набор задач во второй версии заметно сложнее первой (14 типов вместо 8, числа до 11 разрядов вместо 3, добавлены отказы), поэтому 94.5% здесь не сравнимы напрямую с 98.4% на прежнем, более простом наборе.

Доли источников менялись по ходу обучения (curriculum): от простой связной речи к инструкциям и задачам.

Формат запроса

<|bos|><|user|>Write a short story about a cat.<|assistant|>

Chat-шаблон уже прописан в tokenizer_config.json и в GGUF.

Ограничения и честные оговорки

• English only. Билингва при таком бюджете режет эффективную ёмкость вдвое.
• Домен узкий: простые истории, короткие инструкции, арифметика в 2–3 разряда. За его пределами модель уверенно говорит неправду.
• Обучена на синтетических данных (TinyStoriesV2 сгенерирован GPT-4, SimpleStories — gpt-4o-mini) плюс человеческий корпус BabyLM.

Лицензия

MIT. Данные — под лицензиями исходных датасетов.