Instructions to use TilQazyna/Til-0.5B-multilingual-base with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use TilQazyna/Til-0.5B-multilingual-base with Transformers:

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

pipe = pipeline("text-generation", model="TilQazyna/Til-0.5B-multilingual-base")

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("TilQazyna/Til-0.5B-multilingual-base")
model = AutoModelForCausalLM.from_pretrained("TilQazyna/Til-0.5B-multilingual-base", device_map="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use TilQazyna/Til-0.5B-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-0.5B-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-0.5B-multilingual-base",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/TilQazyna/Til-0.5B-multilingual-base

SGLang

How to use TilQazyna/Til-0.5B-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-0.5B-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-0.5B-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-0.5B-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-0.5B-multilingual-base",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Docker Model Runner
How to use TilQazyna/Til-0.5B-multilingual-base with Docker Model Runner:
```
docker model run hf.co/TilQazyna/Til-0.5B-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-0.5B-multilingual-base

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

Қазақша · Русский · English

Қазақша

Til-0.5B-multilingual-base — қазақ, орыс, ағылшын тілдері, код және математика үшін нөлден оқытылған 470.1 M параметрлі base-модель. Репозиторий көлемі — 952.8 МБ. Модель мәтінді жалғастыруға және кейінгі fine-tune жұмыстарына арналған.

Құрылымы мен оқыту деректері

Сипаттама	Мәні
Архитектура	`DeepseekV3ForCausalLM`, dense decoder және MLA
Параметр саны	470.1 M
Жасырын қабат өлшемі	1024
Қабат саны	24
Attention head саны	8
Контекст	4096 токен
Сөздік	131 072 токен

Модель 24.96 B токенге оқытылған. Корпус токен саны бойынша теңгерілген: ағылшын — 5.00 B, орыс — 5.03 B, код — 5.00 B, математика — 5.00 B, қазақ — 4.93 B. Сапа бағасы q4 және q5 құжаттар қолданылып, q5 деректері learning-rate decay кезеңінің соңына орналастырылған.

Бағалау

Домен	BPB
Орыс	0.45
Қазақ	0.55
Ағылшын	0.70
Код	0.70
Математика	0.72
Macro	0.624

BPB көрсеткіші белгіленген тест жинағында есептелген; төмен мән жақсырақ. Base-модель нұсқауларды орындауға бейімделмеген және жауапты факт көзі ретінде қолдануға арналмаған.

Іске қосу

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "TilQazyna/Til-0.5B-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 ашық көрінеді. Файлдарды жүктеу үшін репозиторий бетіндегі «Request access» түймесі арқылы өтінім жіберіледі; оны TilQazyna командасы қарайды.

Байланысты репозиторийлер

Оқыту корпусы — Til-Corpus. Бір желідегі үлкенірек модель — Til-1B-multilingual-base.

Русский

Til-0.5B-multilingual-base — базовая модель на 470.1 M параметров, обученная с нуля на казахском, русском, английском, коде и математике. Объём репозитория — 952.8 МБ. Модель продолжает текст и служит основой для последующего fine-tune.

Устройство и данные обучения

Характеристика	Значение
Архитектура	`DeepseekV3ForCausalLM`, dense decoder и MLA
Параметров	470.1 M
Размер скрытого слоя	1024
Слоёв	24
Attention heads	8
Контекст	4096 токенов
Словарь	131 072 токена

Модель обучена на 24.96 B токенов. Корпус сбалансирован по числу токенов: английский — 5.00 B, русский — 5.03 B, код — 5.00 B, математика — 5.00 B, казахский — 4.93 B. В обучение вошли документы с оценками q4 и q5; данные q5 помещены в конец фазы learning-rate decay.

Оценка

Домен	BPB
Русский	0.45
Казахский	0.55
Английский	0.70
Код	0.70
Математика	0.72
Macro	0.624

BPB рассчитан на зафиксированном тестовом наборе; меньшее значение лучше. Базовая модель не обучена следовать инструкциям, а её продолжения требуют проверки фактов.

Как запустить

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "TilQazyna/Til-0.5B-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 список файлов видны без авторизации. Для скачивания файлов нужна заявка через кнопку «Request access» на странице репозитория; решение принимает команда TilQazyna.

Связанные репозитории

Корпус обучения — Til-Corpus. Следующая модель в той же линейке — Til-1B-multilingual-base.

English

Til-0.5B-multilingual-base is a 470.1 M-parameter base model trained from scratch on Kazakh, Russian, English, code, and mathematics. The repository occupies 952.8 MB. It is intended for text completion and downstream fine-tune work.

Architecture and training data

Characteristic	Value
Architecture	`DeepseekV3ForCausalLM`, dense decoder with MLA
Parameters	470.1 M
Hidden size	1024
Layers	24
Attention heads	8
Context	4096 tokens
Vocabulary	131,072 tokens

The model was trained on 24.96 B tokens. The corpus is balanced by token count: English contributes 5.00 B, Russian 5.03 B, code 5.00 B, mathematics 5.00 B, and Kazakh 4.93 B. Training uses q4 and q5 documents, with q5 material placed at the end of the learning-rate decay phase.

Evaluation

Domain	BPB
Russian	0.45
Kazakh	0.55
English	0.70
Code	0.70
Mathematics	0.72
Macro	0.624

BPB was measured on a fixed held-out set; lower is better. This base checkpoint is not instruction-tuned, and factual claims in generated continuations should be verified.

Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "TilQazyna/Til-0.5B-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 model card and file list are public. Downloading files requires an approved request submitted with the repository’s “Request access” button; the TilQazyna team reviews applications.

Related repositories

Training data comes from Til-Corpus. The larger checkpoint in the same line is Til-1B-multilingual-base.

Лицензия · License: apache-2.0 · TilQazyna

Downloads last month: -

Safetensors

Model size

0.5B params

Tensor type

BF16

Collection including TilQazyna/Til-0.5B-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 Aug 8