MiniMind3-Ascend-MoE

这是一个基于 MiniMind3-Ascend 训练链路导出的 MoE 对话模型，兼容 Transformers 推理方式，适合追求更高容量与更强表达能力的场景。

模型信息

• 模型名：fzkun/minimind3-ascend-moe
• 架构：MoE
• 导出兼容：Qwen3MoeForCausalLM
• 参数规模：约 198M
• 激活参数：约 64M
• 主要配置：
  • hidden_size = 768
  • num_hidden_layers = 8
  • num_experts = 4
  • num_experts_per_tok = 1

文件说明

仓库中包含：

• config.json
• generation_config.json
• model.safetensors
• tokenizer.json
• tokenizer_config.json
• special_tokens_map.json
• chat_template.jinja

使用方式

Transformers

from transformers import AutoTokenizer, AutoModelForCausalLM

model_id = "fzkun/minimind3-ascend-moe"
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_id, trust_remote_code=True)

messages = [{"role": "user", "content": "你好"}]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(text, return_tensors="pt")
out = model.generate(**inputs, max_new_tokens=256)
print(tokenizer.decode(out[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True))

Benchmark 结果

评测环境：

• Ascend 910B
• 单卡 npu:0
• batch_size = 16

ceval	cmmlu	arc	piqa	openbookqa	hellaswag	siqa
23.77	24.88	30.30	51.63	26.00	28.58	34.08

说明：

• ceval / cmmlu / arc / piqa / openbookqa / hellaswag 使用 acc_norm
• social_iqa 使用 acc

补充说明

• MoE 版本容量更高，在部分 benchmark 上表现更强
• 对应 SwanLab 实验记录：https://swanlab.cn/@fzkun/MiniMind3/overview