/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5_moe · dense
Базовая модель
Qwen3.5-35B-A3B
Библиотека
transformers
Опубликована
27 мар 2026

Qwen3.5-28B

Генерация текстаТекст → текст9 профессий

Сжатая методом pruning модель Qwen3.5 MoE для диалоговой генерации текста, рассуждений и программирования с уменьшенным объёмом памяти.

120скачиваний за 30 дней66лайковвеса обновлены30 мая 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Qwen3.5-28B — производная модель 0xSero на архитектуре Qwen3.5 MoE, созданная из Qwen/Qwen3.5-35B-A3B методом REAP (Router-weighted Expert Activation Pruning). Из 256 экспертов сохранены 205, то есть удалено около 20%; модель содержит 28 млрд параметров и распространяется в формате BF16. Лицензия — Apache-2.0.

Модель предназначена для диалоговой генерации текста, рассуждений и задач программирования. В карточке приведены результаты на HumanEval, MMLU и WikiText-2; по сравнению с исходной моделью после pruning показатели на этих тестах снизились. Основное заявленное преимущество — меньший объём памяти: около 53 ГБ вместо 71 ГБ у исходной BF16-модели. Измерения пропускной способности показывают, что ускорение зависит от размера пакета и может отсутствовать.

Сценарии применения

  • генерация ответов в диалоговом интерфейсе
  • решение задач по программированию
  • написание и дополнение кода
  • ответы на вопросы и задачи на рассуждение
  • развёртывание языковой модели при ограниченном объёме видеопамяти

Ограничения

Удаление около 20% экспертов снижает результаты на приведённых тестах относительно исходной модели. Ускорение генерации не гарантировано: в измерениях оно было небольшим при размере пакета 1 и отсутствовало при больших пакетах.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

[!TIP] Support this work → · X · GitHub · REAP paper · Cerebras REAP

Qwen3.5-28B

REAP-pruned Qwen/Qwen3.5-35B-A3B.

At a glance

Base modelQwen/Qwen3.5-35B-A3B
FormatBF16
Total params28B
Active / token3B
Experts / layer—
Layers—
Hidden size—
Context—
On-disk size57 GB

Which variant should I pick?

VariantFormatLink
Qwen3.5-264BBF16link
Qwen3.5-264B-FP8FP8link
Qwen3.5-264B-W4A16W4A16link
Qwen3.5-28B (this)BF16link
Qwen3.5-35B-EXL3-4bpwEXL3-4bpwlink
Qwen3.5-76BBF16link
Qwen3.5-76B-GGUFGGUFlink
Qwen3.5-88BBF16link
Qwen3.5-99BBF16link
Qwen3.5-99B-GGUFGGUFlink

This is a 20% expert-pruned version of Qwen/Qwen3.5-35B-A3B, produced using the REAP (Router-weighted Expert Activation Pruning) method from the paper "REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression" (ICLR 2026).

The model retains 205 of 256 experts (~80% of original experts) while remaining competitive on standard benchmarks.


What We Did

Method: REAP Layerwise Pruning

REAP prunes MoE experts by scoring each expert's importance using a combination of:

  1. Router gate-values — how often and how strongly the router selects each expert
  2. Expert activation norms — the magnitude of each expert's output contribution

Router logit weights are renormalized to sum to 1 after pruning (critical for maintaining output scale). Pruning is applied layer-by-layer (layerwise mode).

Calibration Data

Observations were collected over a mixed calibration dataset of 1,000 samples per category:

  • theblackcat102/evol-codealpaca-v1 (250 samples)
  • open-r1/Mixture-of-Thoughts[code] (250 samples)
  • open-r1/Mixture-of-Thoughts[math] (250 samples)
  • open-r1/Mixture-of-Thoughts[science] (250 samples)

Max sequence length: 4096 tokens. Angular distance measure for expert similarity.

Pruning Config

ParameterValue
Compression ratio20% (51 experts removed)
Original experts256
Remaining experts205
Pruning methodREAP
Router weight renormalization✓
Seed42
Calibration samples1,000 total

Benchmark Results

All evaluations run with vLLM (tensor-parallel across 8x RTX 3090), greedy decoding, 0-shot.

Coding (EvalPlus, greedy, 0-shot)

BenchmarkOriginalPruned (20%)Delta
HumanEval (pass@1)76.2%73.2%-3.0%
HumanEval+ (pass@1)72.0%70.1%-1.9%

Multiple Choice / Reasoning (lm-eval, 0-shot, 250 samples/task)

BenchmarkOriginalPruned (20%)Delta
MMLU84.34%80.89%-3.45%
MMLU - Humanities82.40%76.35%-6.05%
MMLU - Social Sciences90.04%88.38%-1.66%
MMLU - STEM81.46%78.88%-2.58%
MMLU - Other84.52%81.05%-3.47%
ARC-Challenge60.00%60.40%+0.40%
ARC-Easy84.00%83.20%-0.80%
BoolQ88.00%89.20%+1.20%
HellaSwag (norm)76.40%75.60%-0.80%
OpenBookQA (norm)45.20%47.20%+2.00%
RTE81.20%82.00%+0.80%
WinoGrande77.20%76.80%-0.40%

Perplexity (WikiText-2, 10k tokens, llama.cpp)

ModelPPL
Original (256 experts)6.83
Pruned 20% (205 experts)9.51

Throughput (4x RTX 3090, TP=4, vLLM, enforce_eager)

Batch SizeOriginal tok/sPruned tok/sSpeedup
112.312.51.02x
437.036.00.97x
874.470.30.95x
1689.386.00.96x

Note: throughput speedup is minimal at this compression level with current vLLM routing overhead. The primary benefit is reduced VRAM footprint.


Memory Footprint

ModelSizeShards
Original~71 GB (bf16)14 safetensors
Pruned 20%~53 GB (bf16)2 safetensors

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "0xSero/Qwen3.5-35B-A3B-REAP-20pct"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype="auto",
    device_map="auto",
)

messages = [{"role": "user", "content": "Write a quicksort in Python."}]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(text, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=512)
print(tokenizer.decode(outputs[0][inputs.input_ids.shape[1]:], skip_special_tokens=True))

With vLLM:

vllm serve 0xSero/Qwen3.5-35B-A3B-REAP-20pct \
    --tensor-parallel-size 4 \
    --gpu-memory-utilization 0.9 \
    --max-model-len 32768

Reproducing

git clone https://github.com/cerebras/reap
cd reap
bash scripts/build.sh

python -m reap.layerwise_prune \
    --model_name Qwen/Qwen3.5-35B-A3B \
    --dataset_name "theblackcat102/evol-codealpaca-v1:250,open-r1/Mixture-of-Thoughts[code]:250,open-r1/Mixture-of-Thoughts[math]:250,open-r1/Mixture-of-Thoughts[science]:250" \
    --compression_ratio 0.20 \
    --prune_method reap \
    --seed 42 \
    --renormalize_router_weights true

License & citation

License inherited from the base model.

@misc{lasby2025reap,
  title  = {REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression},
  author = {Mike Lasby and Ivan Lazarevich and Nish Sinnadurai and Sean Lie and Yani Ioannou and Vithursan Thangarasa},
  year   = {2025}, eprint = {2510.13999}, archivePrefix = {arXiv}
}

Sponsors

Made possible by NVIDIA · TNG Technology · Lambda · Prime Intellect · Hot Aisle.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5MoeForConditionalGeneration
Ревизия весов
907b13f

0 моделей