Yumiao-0.1B-Base

1.001 亿参数的基座语言模型,从零训练:自训 32k BPE 分词器 + 自建 8B token 语料 + 自写 PyTorch 训练循环,未使用任何现成权重初始化。

  • 架构:LLaMA 式(RMSNorm / RoPE / GQA 12Q-4KV / SwiGLU),12 层,d=768,FFN=2048,上下文 1024
  • 训练:122,000 步 × 65,536 tokens = 8.0B tokens(中文 6.0B / 英文 3.7B / 维基 0.2B)
  • 结果:loss 2.96,perplexity 19.3
  • 硬件:AMD MI308X(gfx942),ROCm 7.2 + PyTorch 2.12,bf16
  • 吞吐:≈ 89,500 tokens/s,731 ms/step

用途

基座模型只做一件事:给定前缀续写。它没有经过指令微调,直接问它问题通常不会得到回答,而是继续把问题"写下去"。

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

mid = "yumiao-dev/Yumiao-0.1B-Base"
tok = AutoTokenizer.from_pretrained(mid)
model = AutoModelForCausalLM.from_pretrained(mid, torch_dtype=torch.bfloat16, device_map="auto")

ids = tok("<s>上海是一座", return_tensors="pt").input_ids.to(model.device)
out = model.generate(ids, max_new_tokens=80, do_sample=True, temperature=0.8,
                     top_p=0.9, repetition_penalty=1.2)
print(tok.decode(out[0][ids.shape[-1]:], skip_special_tokens=True))

必须采样解码。贪心解码会退化成复读机。

能力与局限

能力 表现
中文成句、语法搭配 好,能写出通顺段落
英文成句 中等偏好,偶有语法错
事实性知识 差,基本靠编(问首都答"上海"这类)
算术 差,两位数加法偶尔对
代码 几乎没有

这是 0.1B 参数的物理上限:8B token 只够让它学会"中文长什么样",不足以让它学会"世界是什么样"。研究语言模型训练流程、做小规模消融实验、跑端侧 demo 是合适用途。

训练细节

项 值
优化器 AdamW,β=(0.9, 0.95),weight_decay 0.1
学习率 6e-4,warmup 2000 步,余弦衰减至 10%
batch 64 × 1024 tokens
梯度裁剪 1.0
精度 bf16 自动混合精度
初始化 正态 std 0.02;残差输出层(w3 / wo)std = 0.02/√(2·12)
保存 每 500 步原子写 last.pt,每 5000 步归档

完整训练代码、数据管线与踩坑记录见发布包内 training/ 与 docs/ 目录。

许可

Apache-2.0

评测(Yumiao-0.1B vs GPT-2)

lm-evaluation-harness 0.4.9 · zero-shot · CPU fp32,与 Open LLM Leaderboard 同款脚本。完整报告、分数表、对话记录在 eval/。

任务 指标 随机基线 GPT-2 124M Yumiao-Base 100M
LAMBADA acc ↑ — 32.56% 18.20%
PIQA acc ↑ 50.0% 62.89% 59.52%
WinoGrande acc ↑ 50.0% 51.62% 51.07%
ARC-Easy acc ↑ 25.0% 43.81% 40.15%
SciQ acc ↑ 25.0% 75.20% 76.40%
C-Eval(中文) acc ↑ 25.0% 23.18% 23.63%
LAMBADA ppl ↓ — 40.06 156.61
WikiText-2 ppl ↓ — 37.37 91.13

英文基准上 GPT-2 占优(5 胜 3 平),中文生成与身份对话 Yumiao 占优;两者中文知识选择题都接近随机。

准确率对比

困惑度对比

图解

架构:12 层 LLaMA 解码器 · d=768 · GQA (12 Q / 4 KV) · SwiGLU 2048 · RoPE · tied embedding

architecture

训练流水线:Tokenizer → 语料清洗 → 预训练 8B tokens → SFT → 发布

pipeline

参数量构成:embedding 24.58M(与 LM head 共享)+ 12 层 75.52M

parameters

数据与吞吐

data

throughput

Downloads last month
171
Safetensors
Model size
0.1B params
Tensor type
BF16
·
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for yumiao-dev/Yumiao-0.1B-Base

Finetunes
1 model

Dataset used to train yumiao-dev/Yumiao-0.1B-Base