Характеристики

Контекст: 131 072 токена
Параметры: 7,1 млрд
Лицензия: Apache 2.0
Архитектура: qwen2 · dense
Базовая модель: Qwen2.5-7B
Библиотека: transformers
Опубликована: 11 июн 2026

Ссылки

qwen2-5-7b-rlmpq-extreme-survival

Генерация текстаТекст → текст3 профессии

Квантованный вариант Qwen2.5-7B для генерации текста и экспериментов с экстремальной смешанной низкоразрядной квантизацией.

27скачиваний за 30 дней0лайковвеса обновлены11 июн 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

AvoCahDoe выпустил квантованный чекпойнт Qwen2.5-7B для сценария Extreme Survival. Это плотная авторегрессионная модель семейства Qwen2, предназначенная для генерации текста и диалогового взаимодействия. В метаданных указаны 7,1 млрд параметров и контекст до 131 072 токенов.

Вариант создан методом RL-MPQ: PPO-агент назначал разную разрядность слоям, а качество оценивали по perplexity на WikiText-2. Средняя разрядность весов составляет 2,4643 бита. В README экспорт описан как fake-quantized FP16, совместимый с Transformers; репозиторий содержит safetensors и политику разрядности по слоям. Модель основана на Qwen/Qwen2.5-7B и распространяется по лицензии Apache-2.0.

Чекпойнт подходит для экспериментов с генерацией текста при ограничениях на размер весов и для оценки смешанной низкоразрядной квантизации. Результаты могут зависеть от устойчивости конкретной модели к сильной квантизации; README приводит оценку на WikiText-2, но не описывает широкие прикладные тесты или гарантии качества.

Сценарии применения

генерация текста в диалоговом интерфейсе
эксперименты с квантованием больших языковых моделей
оценка качества модели на WikiText-2
развёртывание генеративной модели при ограниченном бюджете памяти

Ограничения

Сильная низкоразрядная квантизация может ухудшать качество; в README приведена проверка perplexity на WikiText-2, но не показаны широкие прикладные оценки. README также описывает веса как fake-quantized FP16, поэтому фактическое потребление памяти может отличаться от представления о компактных целочисленных весах.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen 2.5 7B — RL-MPQ Extreme Survival

Standalone RL-MPQ (Reinforcement Learning Mixed-Precision Quantization) checkpoint for the Extreme Survival scenario — a quantized variant of Qwen/Qwen2.5-7B.

Field	Value
Base model	Qwen/Qwen2.5-7B
Scenario	Extreme Survival
Avg bits / weight	2.4643
Compression vs FP16	6.4928×
WikiText-2 PPL	497.4791
Layers	28
Bit distribution	`{'2': 15, '3': 13}`
Format	Fake-quant FP16 + `rlmpq_policy.json`

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "AvoCahDoe/qwen2-5-7b-rlmpq-extreme-survival"

model = AutoModelForCausalLM.from_pretrained(repo, torch_dtype="float16")
tokenizer = AutoTokenizer.from_pretrained(repo)

Other Qwen 2.5 7B scenarios

Scenario	Avg bits	Compression	WikiText-2 PPL
Aggressive	3.1429	5.0909x	9.3678
Balanced	3.3929	4.7158x	8.9305
Conservative	3.6786	4.3495x	8.4114
High Fidelity	3.75	4.2667x	8.208

Grouped archive (all scenarios in one repo): AvoCahDoe/qwen2-5-7b-rlmpq

Method

Phase 3 — PPO agent assigns per-layer bit widths under the Extreme Survival reward target.
Phase 4 — Policy replayed on real weights; WikiText-2 perplexity validates quality.
Export — Fake-quantized FP16 weights compatible with Hugging Face Transformers.

Files

File	Description
`config.json`	Llama architecture + RL-MPQ metadata
`model.safetensors`	Fake-quantized weights
`rlmpq_policy.json`	Per-layer bit-width policy
`rlmpq_metrics.json`	Validation & PPL summary

Citation

@misc{rlmpq_qwen2_5_7b_extreme-survival_2026,
  title  = {RL-MPQ Extreme Survival: Qwen 2.5 7B Mixed-Precision Quantization},
  author = {AvoCahDoe},
  year   = {2026},
  url    = {https://huggingface.co/AvoCahDoe/qwen2-5-7b-rlmpq-extreme-survival}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры: Qwen2ForCausalLM
Ревизия весов: b3c2e62