RetNet-0.5B-v21.3-chat
компактный чат на RetNet с короткими ответами
2 min readupdated
RetNet-0.5B-v21.3-chat — это компактная чат-модель на архитектуре RetNet с 504 млн параметров. Это пост-тренированный кандидат для демо, а не универсальная модель: карточка прямо говорит, что знания, арифметика и код остаются на уровне 0.5B. После дообучения модель заметно лучше держит короткий формат: доля ответов с превышением лимита упала с 33,3% до 0%, незакрытых think-блоков — с 5,6% до 0%, медианный ответ сократился с 107 до 63 токенов. Пригодится тем, кто хочет попробовать RetNet в чате или сравнить поведение маленькой модели до и после SFT.
Ключевые особенности
- 504 179 896 параметров, 20 слоёв, ширина 1408, 22 головы; архитектура RetNet.
- Контекст обучения — 2048 токенов, словарь 20k ByteLevel BPE; веса хранятся в fp32, для инференса рекомендуется bf16.
- После SFT: cap-hit 33,3% → 0%, unclosed think 5,6% → 0%, медианный ответ 107 → 63 токена.
- Held-out criterion 2,5914 против 2,5898 у seed v21.1-chat; диагностика instruction-following — 4/10.
- Дообучение: 8 000 шагов SFT на 117 712 строках, затем 2 000 шагов replay repair с 20% general pretrain replay.
Что можно сделать
- Использовать как демо-чат с короткими ответами: модель стабильнее останавливается, но знания остаются на уровне 0.5B.
- Подключать через transformers с trust_remote_code для экспериментов с RetNet-архитектурой.
- Сравнивать seed v21.1-chat и v21.3-chat на своих промптах — карточка даёт метрики для ориентира.
- Проверять instruction-following и остановку на коротком system prompt; без него ответы длиннее.
Пример
from transformers import AutoModelForCausalLM, AutoTokenizer
tok = AutoTokenizer.from_pretrained("Ayaka157/RetNet-0.5B-v21.3-chat", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
"Ayaka157/RetNet-0.5B-v21.3-chat", trust_remote_code=True, torch_dtype="bfloat16")
Подробнее
Held-out criterion: 2,5914 против 2,5898 у seed v21.1-chat (+0,0016).Диагностика instruction-following: 4/10 — это диагностика, а не заявка на способности.
Ограничения: знания, арифметика, код и факты — на уровне 0.5B; это не long-context/retrieval-модель.
В карточке: 2×RTX PRO 6000, 18 промптов; pass не гарантирует human-likeness или safety.










Comments