初始化项目，由ModelHub XC社区提供模型

Model: fzkun/minimind3-ascend-moe
Source: Original Platform

README.md

@@ -0,0 +1,81 @@
+---
+language:
+- zh
+license: apache-2.0
+library_name: transformers
+tags:
+- minimind
+- qwen3-moe
+- moe
+- chat
+- text-generation
+- ascend
+pipeline_tag: text-generation
+---
+
+# 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
+
+```python
+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>