Jibay 2 is a lightweight, open-source language model released in two major milestones: first published in Ordibehesht 1404 (April/May 2025) and later made fully open-source and publicly available in Khordad 1405 (May/June 2026).
Jibay 2 is designed to be simple, trainable, and customizable. It is built upon the strong foundation of the Qwen 3 family and serves as a practical, efficient alternative for developers, researchers, and AI enthusiasts who need a controllable model without excessive computational overhead.
📌 Key Specifications
Feature
Value
Context Length
32,768 tokens (input + output combined)
Active Parameters
2 billion
MoE (Mixture of Experts)
Not supported
Training Base
Qwen 3
Knowledge Cutoff
Early 2025 (end of 1404)
Release (First publish)
Ordibehesht 1404 (April/May 2025)
Open-Source Release
Khordad 1405 (May/June 2026)
🧠 Intended Use
Jibay 2 is suitable for:
Fine-tuning on domain-specific data
On-device or edge AI applications
Research and educational purposes
Lightweight agentic workflows (with function calling capabilities)
Rapid prototyping and experimentation
The model can be retrained, extended, or adapted to any field or language without major infrastructure requirements.
📊 Benchmarks
All benchmarks reported below have been tested and verified by the Jibay team. Detailed testing methodology remains internal.
Benchmark
Score (%)
Domain
MMLU
~56.9%
General knowledge & problem solving
GSM8K
~70.0%
Math reasoning (grade school level)
ARC (Challenge)
~43.0%
Scientific reasoning (hard)
HumanEval
~68.0%
Python code generation
BoolQ
~79.0%
Yes/No reading comprehension
HellaSwag
~61.1%
Commonsense sentence completion
BFCL Overall
55.0%
Function calling & tool use (Berkeley)
Category Avg
51.2%
Average across BFCL categories
PPRC-BENCH
41٪
Exclusive and private benchmark for Persian conversation
📢 These scores reflect the base Jibay 2 model without task-specific fine-tuning.
🚀 Usage
Recommended Method (GGUF – Optimized)
For best performance, especially on consumer hardware, use the GGUF quantized version (highly optimized).
Alternative Method (Direct Python)
from jibay2.modeling_jibay2 import Jibay2ForCausalLM
Note: While the native Python class is available, GGUF is strongly recommended for production use.
⚙️ Training & Customization
Jibay 2 does not use MoE (Mixture of Experts), meaning all parameters are active during inference, making it easier to understand, debug, and fine-tune.
You can retrain the model entirely or adapt it to specific tasks such as:
Medical or legal text processing
Code generation for niche languages
Conversational AI in low-resource languages
Scientific document understanding
📜 License & Availability
Jibay 2 became publicly available and open-source in Khordad 1405 (May/June 2026).
All core weights, inference code, and documentation are accessible to the community.
📬 Contact
For inquiries, partnerships, or support:
📧 info@jibay.ir
⚠️ Important Notes
Knowledge is current only until early 2025 (end of 1404).
The model is not a Mixture of Experts architecture.
GGUF version is recommended over native PyTorch for most use cases.
Benchmark details, test splits, and exact evaluation parameters remain internal to the Jibay team.
Poster
جیبای ۲
جیبای ۲ یک مدل زبانی سبک، متنباز و قابل شخصیسازی است که در دو مرحلهٔ مهم منتشر شد: انتشار اولیه در اردیبهشت ۱۴۰۴ و انتشار عمومی و متنباز در خرداد ۱۴۰۵.
جیبای ۲ بر اساس خانواده مدل Qwen 3 آموزش دیده است و بهعنوان یک گزینهٔ ساده، کارآمد و قابل آموزش برای توسعهدهندگان، پژوهشگران و علاقهمندان به هوش مصنوعی طراحی شده است.
📌 مشخصات فنی
ویژگی
مقدار
طول زمینه
۳۲,۷۶۸ توکن (مجموع ورودی و خروجی)
پارامترهای فعال
۲ میلیارد
پشتیبانی از MoE
خیر
پایهٔ آموزش
Qwen 3
تاریخ قطع اطلاعات
اوایل ۲۰۲۵ (اواخر سال ۱۴۰۴)
انتشار اولیه
اردیبهشت ۱۴۰۴
متنباز شدن
خرداد ۱۴۰۵
🧠 کاربردهای پیشنهادی
جیبای ۲ برای موارد زیر مناسب است:
تنظیم دقیق (Fine-tuning) روی دادههای تخصصی
اجرا روی دستگاههای شخصی یا لبه (Edge)
اهداف تحقیقاتی و آموزشی
ساخت عاملهای هوشمند سبک (با قابلیت فراخوانی ابزار)
نمونهسازی سریع و آزمایش
این مدل قابلیت بازآموزی، توسعه و تطبیق با هر حوزه یا زبانی را بدون نیاز به زیرساخت سنگین دارد.
📊 بنچمارکها
تمامی بنچمارکهای زیر توسط تیم جیبای تست و تأیید شدهاند. جزئیات روش آزمون داخلی است.
بنچمارک
امتیاز (درصد)
حوزه
MMLU
~۵۶.۹٪
دانش عمومی و حل مسئله
GSM8K
~۷۰.۰٪
استدلال ریاضی (سطح دبستان)
ARC (Challenge)
~۴۳.۰٪
استدلال علمی (سخت)
HumanEval
~۶۸.۰٪
تولید کد پایتون
BoolQ
~۷۹.۰٪
درک مطلب بله/خیر
HellaSwag
~۶۱.۱٪
تکمیل جمله با عقل سلیم
BFCL Overall
۵۵.۰٪
فراخوانی ابزار و تابع
Category Avg
۵۱.۲٪
میانگین دستهبندی BFCL
PPRC-BENCH
۴۱٪
بنچمارک اختصاصی و خصوصی برای گفتگوی فارسی
📢 این نمرات مربوط به مدل پایهٔ جیبای ۲ بدون تنظیم دقیق روی وظیفهٔ خاصی است.
🚀 روش استفاده
روش پیشنهادی (GGUF – بهینه)
برای بهترین عملکرد، بهویژه روی سختافزار معمولی، از نسخه GGUF استفاده کنید (بسیار بهینهشده).
روش جایگزین (پایتون مستقیم)
from jibay2.modeling_jibay2 import Jibay2ForCausalLM
توجه: اگرچه کلاس پایتون در دسترس است، برای استفادهٔ واقعی، نسخهٔ GGUF بسیار توصیه میشود.
⚙️ آموزش و شخصیسازی
جیبای ۲ از MoE استفاده نمیکند، یعنی تمام پارامترها در حین استنتاج فعال هستند که درک، اشکالزدایی و تنظیم مدل را آسانتر میکند.
میتوانید مدل را به طور کامل بازآموزی کنید یا آن را برای وظایف خاصی تطبیق دهید، از جمله:
پردازش متون پزشکی یا حقوقی
تولید کد برای زبانهای برنامهنویسی خاص
چتبات در زبانهای کممنبع
درک متون علمی
📜 مجوز و دسترسی
جیبای ۲ در خرداد ۱۴۰۵ به صورت عمومی و متنباز در دسترس قرار گرفت.
وزنهای اصلی، کد استنتاج و مستندات برای جامعه در دسترس است.
