Instructions to use TilQazyna/Til-1B-multilingual-base with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use TilQazyna/Til-1B-multilingual-base with Transformers:

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

pipe = pipeline("text-generation", model="TilQazyna/Til-1B-multilingual-base")

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("TilQazyna/Til-1B-multilingual-base")
model = AutoModelForCausalLM.from_pretrained("TilQazyna/Til-1B-multilingual-base", device_map="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use TilQazyna/Til-1B-multilingual-base with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "TilQazyna/Til-1B-multilingual-base"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "TilQazyna/Til-1B-multilingual-base",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/TilQazyna/Til-1B-multilingual-base

SGLang

How to use TilQazyna/Til-1B-multilingual-base 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 "TilQazyna/Til-1B-multilingual-base" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "TilQazyna/Til-1B-multilingual-base",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

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 "TilQazyna/Til-1B-multilingual-base" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "TilQazyna/Til-1B-multilingual-base",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Docker Model Runner
How to use TilQazyna/Til-1B-multilingual-base with Docker Model Runner:
```
docker model run hf.co/TilQazyna/Til-1B-multilingual-base
```

You need to agree to share your contact information to access this model

This repository is publicly accessible, but you have to accept the conditions to access its files and content.

Бұл репозиторийге қолжетімділік өтінім бойынша беріледі. Өзіңіз туралы және деректерді қалай қолданатыңыз туралы жазыңыз — өтінімді TilQazyna командасы қарайды. · Доступ к репозиторию выдаётся по заявке. Расскажите о себе и о том, как собираетесь использовать данные — заявку рассматривает команда TilQazyna. · Access to this repository is granted on request. Tell us who you are and how you plan to use the material; the TilQazyna team reviews each application.

Til-1B-multilingual-base

Көптілді base-модель · Многоязычная базовая модель · Multilingual base model

Қазақша · Русский · English

Қазақша

Til-1B-multilingual-base — қазақ, орыс, ағылшын тілдері, код және математика үшін нөлден оқытылған 941.1 M параметрлі base-модель. Репозиторий көлемі — 1.89 ГБ. Ол мәтінді жалғастыруға және GEC секілді кейінгі fine-tune жұмыстарына арналған.

Құрылымы мен деректері

Сипаттама	Мәні
Архитектура	`DeepseekV3ForCausalLM`, dense decoder және MLA
Параметр саны	941.1 M
Жасырын қабат өлшемі	1536
Қабат саны	24
Attention head саны	12
Контекст	4096 токен
Сөздік	131 072 токен

Оқыту корпусы 24.96 B токеннен тұрады: ағылшын — 5.00 B, орыс — 5.03 B, код — 5.00 B, математика — 5.00 B, қазақ — 4.93 B. Құжаттар q4 және q5 сапа сатыларынан алынған; q5 бөлігі learning-rate decay кезеңінің соңында берілген.

Бағалау

Домен	BPB
Орыс	0.43
Қазақ	0.54
Ағылшын	0.67
Код	0.66
Математика	0.68
Macro	0.597

BPB белгіленген тест жинағында өлшенген, төмен мән жақсырақ. Модель instruction-tuned емес және мәтін жалғастыру режимінде жұмыс істейді.

Іске қосу

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "TilQazyna/Til-1B-multilingual-base"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id, torch_dtype=torch.bfloat16
).eval()
inputs = tokenizer("Қазақстанның астанасы —", return_tensors="pt")
output = model.generate(**inputs, max_new_tokens=40)
print(tokenizer.decode(output[0], skip_special_tokens=True))

Қолжетімділік

Карточка мен файлдар тізімі баршаға көрінеді. Файлдарды жүктеу үшін «Request access» арқылы өтінім беріліп, оны TilQazyna командасы қарайды.

Байланысты репозиторийлер

Оқыту деректері — Til-Corpus. Кіші нұсқа — Til-0.5B-multilingual-base, GEC нұсқасы — Til-1B-multilingual-base-GEC.

Русский

Til-1B-multilingual-base — базовая модель на 941.1 M параметров, обученная с нуля на казахском, русском, английском, коде и математике. Объём репозитория — 1.89 ГБ. Она продолжает текст и служит основой для последующего fine-tune, включая GEC.

Устройство и данные

Характеристика	Значение
Архитектура	`DeepseekV3ForCausalLM`, dense decoder и MLA
Параметров	941.1 M
Размер скрытого слоя	1536
Слоёв	24
Attention heads	12
Контекст	4096 токенов
Словарь	131 072 токена

Корпус обучения содержит 24.96 B токенов: английский — 5.00 B, русский — 5.03 B, код — 5.00 B, математика — 5.00 B, казахский — 4.93 B. Использованы документы уровней q4 и q5; часть q5 подана в конце фазы learning-rate decay.

Оценка

Домен	BPB
Русский	0.43
Казахский	0.54
Английский	0.67
Код	0.66
Математика	0.68
Macro	0.597

BPB измерен на зафиксированном тестовом наборе, меньшее значение лучше. Модель не настроена на инструкции и работает в режиме продолжения текста.

Как запустить

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "TilQazyna/Til-1B-multilingual-base"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id, torch_dtype=torch.bfloat16
).eval()
inputs = tokenizer("Қазақстанның астанасы —", return_tensors="pt")
output = model.generate(**inputs, max_new_tokens=40)
print(tokenizer.decode(output[0], skip_special_tokens=True))

Доступ

Карточка и перечень файлов открыты всем. Скачивание доступно после одобрения заявки, отправленной кнопкой «Request access»; заявки проверяет команда TilQazyna.

Связанные репозитории

Данные обучения — Til-Corpus. Меньшая версия — Til-0.5B-multilingual-base, версия для GEC — Til-1B-multilingual-base-GEC.

English

Til-1B-multilingual-base is a 941.1 M-parameter base model trained from scratch on Kazakh, Russian, English, code, and mathematics. The repository occupies 1.89 GB. It generates text continuations and provides a checkpoint for downstream fine-tune work, including GEC.

Architecture and data

Characteristic	Value
Architecture	`DeepseekV3ForCausalLM`, dense decoder with MLA
Parameters	941.1 M
Hidden size	1536
Layers	24
Attention heads	12
Context	4096 tokens
Vocabulary	131,072 tokens

The training corpus contains 24.96 B tokens: English contributes 5.00 B, Russian 5.03 B, code 5.00 B, mathematics 5.00 B, and Kazakh 4.93 B. It uses q4 and q5 documents, with q5 material placed at the end of the learning-rate decay phase.

Evaluation

Domain	BPB
Russian	0.43
Kazakh	0.54
English	0.67
Code	0.66
Mathematics	0.68
Macro	0.597

BPB was measured on a fixed held-out set, and lower values are better. This checkpoint is not instruction-tuned and operates as a text-completion model.

Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "TilQazyna/Til-1B-multilingual-base"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id, torch_dtype=torch.bfloat16
).eval()
inputs = tokenizer("Қазақстанның астанасы —", return_tensors="pt")
output = model.generate(**inputs, max_new_tokens=40)
print(tokenizer.decode(output[0], skip_special_tokens=True))

Access

The card and file listing are publicly visible. File downloads require approval after submitting the repository’s “Request access” form; the TilQazyna team reviews each application.

Related repositories

Training data comes from Til-Corpus. The smaller sibling is Til-0.5B-multilingual-base, and the GEC fine-tune is Til-1B-multilingual-base-GEC.

Лицензия · License: apache-2.0 · TilQazyna

Downloads last month: -

Safetensors

Model size

0.9B params

Tensor type

BF16

Collection including TilQazyna/Til-1B-multilingual-base

Til — Multilingual Models

Collection

Kazakh-first multilingual models for text generation and correction. Многоязычные модели с приоритетом казахского для генерации и коррекции. • 8 items • Updated 8 days ago