Skip to content
Other

Rambley-V2-Next-50M

сверхлёгкая языковая модель на 50M параметров

2 min readupdated

Rambley-V2-Next-50M — это сверхкомпактная SLM (малая языковая модель) от автора glossia, которая насчитывает всего 49,7 млн параметров и продолжает базовую версию glossia/Rambley-V2-Next-50M-Pretrain. Модель прошла предварительное обучение на новом расширенном миксе данных ClimbMix и этап midtraining (промежуточного дообучения) на его увеличенной версии. Несмотря на крошечный объём, она использует свежие архитектурные решения 2025–2026 годов и занимает 1-е место в рейтинге glossia SLM leaderboard среди моделей до 50M параметров, а также 3-е место в AxiomicLabs Open SLM Leaderboard. Она отлично подойдёт исследователям компактных архитектур, энтузиастам локального запуска на слабом железе и в качестве базы для дальнейшего дообучения.

Ключевые особенности

  • Современный архитектурный стек: использует Virtual Head Attention (32 виртуальные и 8 физических голов запросов), поглавное вентилирование (headwise gated attention) для экономии параметров, обучаемые attention sinks и гибридную схему слоёв SWA:SWA:GQA со скользящим окном 128.
  • Эффективное обучение: модель нативно обучалась в формате FP8 с применением оптимизатора Muon (с ограничениями нормы весов Hyperball) для матриц, AdamW для эмбеддингов, планировщика AIR и патч-уровневого претрейна на 60% бюджета токенов.
  • Контекст и позиционирование: поддерживает нативную длину контекста 2048 токенов с позиционными эмбеддингами HoPE на всех слоях и архитектурой Identity Hyperconnections.
  • Фокус данных: обучение велось на кластерах 2, 6, 12 и 15 датасета ClimbMix — без математического кластера и большинства STEM-направлений.

Что можно сделать

  • Исследовать компактные LLM: изучить на практике влияние Virtual Head Attention, HoPE и оптимизатора Muon на качество сверхмалых моделей.
  • Дообучить под узкую задачу: использовать чекпоинт как лёгкую и быструю базу для файнтюнинга под классификацию, автодополнение или работу с коротким контекстом до 2048 токенов.
  • Запускать на минимальных ресурсах: применять в экспериментах с высокой пропускной способностью инференса, где критична скорость генерации и минимальный расход памяти.

Пример

В карточке приведён замер скорости и точности на бенчмарке arithmark-3 (1000 примеров начальной школьной математики): модель в формате torch.bfloat16 обрабатывает 674,7 примера в секунду (0,24 с на токенизацию и 1,48 с на оценку) и показывает 100% точность в задачах на определение времени (grades 2–3) и 71,15% (acc_norm) в задачах на площадь фигур (grades 4–5), несмотря на исключение STEM-кластеров при обучении.

ПодробнееБенчмарки (0-shot, acc_norm): PIQA — 63,76%, ARC-Easy — 44,99%, HellaSwag — 32,81%, ARC-Challenge — 25,77%, arithmark-3 — 34,90%.
Параметры: 49 718 600 (torch.bfloat16), нативное обучение в FP8, контекст — 2048 токенов.
Ограничения: при обучении исключены математический и большинство STEM-кластеров ClimbMix.
Примеры
Discuss Telegram 1 41

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 0.1 GB · ready files0.6 GB
  • FP8 / INT8recommendedweights 0.0 GB0.6 GB
  • 4-bitweights 0.0 GB0.5 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · BF16 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # glossia/Rambley-V2-Next-50M
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download glossia/Rambley-V2-Next-50M --local-dir ~/models/Rambley-V2-Next-50M
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to Rambley-V2-Next-50M
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of Rambley-V2-Next-50M-Pretrain (quants, finetunes, LoRAs) will show up under the bell.

Fine-tunes 1All on Hugging Face

About the model

glossia/Rambley-V2-Next-50M
Author
glossia
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

411

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments