Instructions to use rasa04/tinylm-11m with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use rasa04/tinylm-11m with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-generation", model="rasa04/tinylm-11m")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("rasa04/tinylm-11m")
model = AutoModelForCausalLM.from_pretrained("rasa04/tinylm-11m", device_map="auto")
messages = [
    {"role": "user", "content": "Who are you?"},
]
inputs = tokenizer.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=40)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

llama.cpp

How to use rasa04/tinylm-11m with llama.cpp:

Install (macOS, Linux)

curl -LsSf https://llama.app/install.sh | sh
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf rasa04/tinylm-11m:F16
# Run inference directly in the terminal:
llama cli -hf rasa04/tinylm-11m:F16

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf rasa04/tinylm-11m:F16
# Run inference directly in the terminal:
llama cli -hf rasa04/tinylm-11m:F16

Use pre-built binary

# Download pre-built binary from:
# https://github.com/ggerganov/llama.cpp/releases
# Start a local OpenAI-compatible server with a web UI:
./llama-server -hf rasa04/tinylm-11m:F16
# Run inference directly in the terminal:
./llama-cli -hf rasa04/tinylm-11m:F16

Build from source code

git clone https://github.com/ggerganov/llama.cpp.git
cd llama.cpp
cmake -B build
cmake --build build -j --target llama-server llama-cli
# Start a local OpenAI-compatible server with a web UI:
./build/bin/llama-server -hf rasa04/tinylm-11m:F16
# Run inference directly in the terminal:
./build/bin/llama-cli -hf rasa04/tinylm-11m:F16

Use Docker

docker model run hf.co/rasa04/tinylm-11m:F16

LM Studio
Jan

vLLM

How to use rasa04/tinylm-11m with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "rasa04/tinylm-11m"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "rasa04/tinylm-11m",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/rasa04/tinylm-11m:F16

SGLang

How to use rasa04/tinylm-11m with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "rasa04/tinylm-11m" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "rasa04/tinylm-11m",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "rasa04/tinylm-11m" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "rasa04/tinylm-11m",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Ollama
How to use rasa04/tinylm-11m with Ollama:
```
ollama run hf.co/rasa04/tinylm-11m:F16
```

Unsloth Studio

How to use rasa04/tinylm-11m with Unsloth Studio:

Install Unsloth Studio (macOS, Linux, WSL)

curl -fsSL https://unsloth.ai/install.sh | sh
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for rasa04/tinylm-11m to start chatting

Install Unsloth Studio (Windows)

irm https://unsloth.ai/install.ps1 | iex
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for rasa04/tinylm-11m to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for rasa04/tinylm-11m to start chatting

Docker Model Runner
How to use rasa04/tinylm-11m with Docker Model Runner:
```
docker model run hf.co/rasa04/tinylm-11m:F16
```

Lemonade

How to use rasa04/tinylm-11m with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull rasa04/tinylm-11m:F16

Run and chat with the model

lemonade run user.tinylm-11m-F16

List all available models

lemonade list

Atomic Chat

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:

проверка	результат
алгоритмические задачи, всего	94.5%
удержание chat-формата	87.5%*
предложения с заглавной буквы	88.5%
предложения с терминатором	91.2%
повтор 5-грамм	0.2%

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

Как обучалась


Архитектура	Qwen3-совместимая: RMSNorm, SwiGLU, QK-norm, GQA (8 голов / 2 KV), RoPE, tied embeddings
Форма	d=256, 12 слоёв, ffn 704, контекст 512
Оптимизатор	Muon (Newton–Schulz, 5 шагов) на 2D-весах + AdamW на эмбеддингах
Расписание	WSD (warmup–stable–decay), cautious weight decay
Токенов	6.55B (2.4 эпохи по 2.76B уникальных), 132 минуты на RTX 5090
Словарь	свой BPE на 8192 токена, цифры разбиты поодиночке — иначе разряды не видны и арифметика не учится
Данные	TinyStoriesV2-GPT4, SimpleStories, BabyLM (человеческий корпус: детская речь, детские книги, Simple Wikipedia, разговорная речь), TinyStories-Instruct, собственная алгоритмическая синтетика
SFT	2500 шагов, лосс только по токенам ассистента
Дообучение	6000 шагов на 14 типах задач с вариативными формулировками и отказами

* 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.

Downloads last month: 199

Safetensors

Model size

10.6M params

Tensor type

F32