Xmodel-2.5: 1.3B Data-Efficient Reasoning SLM

中文版 | English Version

✨ Features

• 1.3B参数小语言模型，专为复杂推理任务设计
• 极致数据效率：仅用1.4T tokens训练，达到接近更大模型的性能
• 三阶段WSD训练策略：Warmup-Stable-Decay课程学习
• Muon优化器切换：在衰减阶段从AdamW切换到Muon，提升推理性能4.58%
• FP8混合精度训练：提升30%训练吞吐量，无精度损失
• 16K长上下文支持：通过轻量级上下文扩展实现
• 完全开源：代码、配方和评估工具全部开放

🌟 Introduction

Xmodel-2.5是一个13亿参数的小语言模型，专门设计作为轻量级智能体核心。模型在Xmodel-2的基础上进行了四项关键升级：

1. 完整μP支持：扩展Megatron-LM以支持最大更新参数化，实现超参数可靠传递
2. 高效分词器：采用129K token的DeepSeek-v3分词器，提升压缩率和解码速度
3. FP8混合精度：使用E4M3前向和E5M2反向的FP8格式，平衡精度和吞吐量
4. 优化器调度：在衰减阶段从AdamW切换到Muon，显著提升下游任务性能

仅用1.4T tokens训练，Xmodel-2.5在13个推理基准测试中达到**52.49%**的平均准确率，在1-2B参数模型中排名第二，仅落后于Qwen3（56.96%），但训练token数量减少25.7倍。

📊 Benchmark

综合推理性能

详细任务表现

🛠️ Install

1. 克隆仓库并进入目录

   git clone https://github.com/XiaoduoAILab/Xmodel-2.5.git
   cd Xmodel-2.5
   

2. 安装依赖

   pip install -r requirements.txt
   

🗝️ Quick Start

下载Xmodel-2.5模型

模型文件已在HuggingFace完全开源，可以在这里下载。我们提供预训练模型和指令调优版本。

Xmodel-2.5推理示例

下载模型文件后，可以运行以下脚本进行推理：

from transformers import AutoModelForCausalLM, AutoTokenizer
import os

model_path = os.path.expanduser("/path/to/Xmodel-2.5")
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    torch_dtype="auto",
    device_map="auto",
    trust_remote_code=True
)
tokenizer = AutoTokenizer.from_pretrained(
    model_path,
    trust_remote_code=True
)

prompt = "Explain the concept of transfer learning in machine learning."
messages = [{"role": "user", "content": prompt}]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

model_inputs = tokenizer(text, return_tensors="pt").to(model.device)

# 生成配置
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=512,
    do_sample=True,
    top_p=0.9,
    temperature=0.7,
    pad_token_id=tokenizer.eos_token_id
)

output = tokenizer.decode(
    generated_ids[0][len(model_inputs.input_ids[0]):], 
    skip_special_tokens=True
)
print("Generated Response:")
print(output)

🏗️ Training Details

模型架构

训练策略

• 三阶段WSD课程：560k步骤，1.4T tokens
• Warmup阶段：2k步骤，学习率线性上升
• Stable阶段：530k步骤，批量大小逐步增加
• Decay阶段：20k步骤，混合66.9%高质量SFT数据
• 长上下文适应：10k额外步骤，支持16K上下文

技术创新

• μP超参数传递：从20M参数代理模型直接传递到完整模型
• 优化器切换：衰减阶段AdamW→Muon，提升推理性能
• FP8混合精度：FP8格式显著提升训练效率

📜 Citation

如果Xmodel-2.5对您的研究或应用有帮助，请考虑引用我们的工作：

@misc{liu2025xmodel25,
      title={Xmodel-2.5: 1.3B Data-Efficient Reasoning SLM}, 
      author={Yang Liu and Xiaolong Zhong and Ling Jiang},
      year={2025},
      eprint={2511.19496},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2511.19496}, 
}

📞 Contact

如有问题或建议，请通过以下方式联系我们：

• GitHub Issues: Xmodel-2.5 Issues
• 邮箱: foamilu@yeah.net

📄 License

本项目采用Apache-2.0许可证。详见LICENSE文件。