moe-expert-precision-4b
Training loss over the run (representative logged steps): 0.9714 -> 0.5867 -> 0.5562. Smooth, monotonic decline consistent with...
Training loss over the run (representative logged steps): 0.9714 -> 0.5867 -> 0.5562. Smooth, monotonic decline consistent with...
Held-out loss: 0.696 (epoch 0.2) -> 0.651 (0.6) -> 0.622 (epoch 2). Training loss ended at about 0.55....
Muse2-125M — это младший брат Muse2-230M — та же самая гибридная архитектура свертки/внимания, разработанная с нуля и рассчитанная...
HybridDiffusion-2B is a 2.39B-parameter text-generation checkpoint produced by applying HybridDiffusion’s autoregressive-to-diffusion conversion recipe to Qwen3.5-2B. A single set...
3-bit base mixed-precision quantization of Qwen/Qwen3.6-27B for Apple Silicon, using the Unsloth Dynamic quantization strategy via mlx-node. Benchmarked...
HybridDiffusion-9B is an 8.95B-parameter text-generation checkpoint produced by applying HybridDiffusion’s autoregressive-to-diffusion conversion recipe to Qwen3.5-9B. A single set...
8-bit base mixed-precision quantization of deepreinforce-ai/Ornith-1.0-35B for Apple Silicon, using the Unsloth Dynamic per-tensor bit allocation (without imatrix...
ther·a·py /ˈTHerəpē/ существительное — лечение, направленное на облегчение или излечение расстройства. От греческого therapeía — «исцеление, лечение» —...
ZAYA не является стандартной архитектурой mlxlm. Он чередует уровни внимания CCA и уровни MoE верхнего уровня 1. Используйте...
GigaChat 3.5 Ultra — флагманская модель мгновенного обмена сообщениями семейства GigaChat. Это крупномасштабная модель «Смесь экспертов» (MoE) с...