/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
9,3 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-4B
Библиотека
transformers
Опубликована
20 июн 2026

Qwen3.5-4B-APIGen-MT-5k-F16-GGUF

Генерация текстаТекст → текст3 профессии

Дообученная Qwen3.5-4B для диалога и вызова инструментов, включая параллельные вызовы функций.

134скачиваний за 30 дней2лайкавеса обновлены10 авг 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

Qwen3.5-4B-APIGen-MT-5k — дообученная Колином Фицсимонсом модель Qwen/Qwen3.5-4B для диалога и вызова инструментов. Автор обучил LoRA-адаптер на наборе Salesforce/APIGen-MT-5k и объединил его с базовой моделью; доступны веса GGUF F16 для llama.cpp и Ollama, а также safetensors для Transformers. Архитектура — плотная Qwen3.5 с 4 млрд параметров; исходная модель мультимодальна, но README описывает обучение и оценку прежде всего на текстовых сценариях вызова функций.

Модель предназначена для диалоговых приложений, которым нужно выбирать инструменты и формировать вызовы функций, в том числе несколько параллельных вызовов. В оценке BFCL выигрыш в категории параллельных вызовов составил 9,5 процентного пункта, но общий результат вырос лишь на 0,39 пункта и не был статистически значимым. Модель показала снижение результатов при распознавании случаев, когда инструмент вызывать не следует, на комбинированных параллельных и многоходовых заданиях. Данные обучения ограничены APIGen-MT-5k, обобщение на незнакомые схемы инструментов не проверено; оценки проводились на английском языке.

Лицензия — Apache-2.0. Сборка F16 объединяет результаты дообучения; опубликованы варианты GGUF и safetensors. Контекстное окно в предоставленных данных не указано.

Сценарии применения

  • формирование вызовов API из запроса пользователя
  • параллельный вызов нескольких функций в диалоговом приложении
  • создание англоязычного чат-бота с инструментами
  • встраивание локального ассистента в приложения на llama.cpp или Ollama

Ограничения

Обучение основано на APIGen-MT-5k, а обобщение на незнакомые схемы инструментов не проверено. В оценках выявлено ухудшение распознавания случаев для отказа от вызова инструмента, а также снижение результатов на совмещённых параллельных и многоходовых заданиях.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3.5-4B-APIGen-MT-5k

LoRA fine-tune of Qwen/Qwen3.5-4B on Salesforce/APIGen-MT-5k, merged to 16-bit weights. The goal was to improve multi-turn tool calling without materially degrading general reasoning benchmarks. All numbers below compare this checkpoint against the unmodified base model under the same evaluation setup.

Author: Colin Fitzsimons

Files

This repository contains both deployment formats from the same merged 16-bit checkpoint:

ArtifactUse with
Qwen3.5-4B-APIGen-MT-5k-f16.ggufllama.cpp, Ollama, and similar GGUF runtimes
model.safetensors* + config.json / tokenizerHugging Face Transformers (from_pretrained)
from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "CFitzsimons/Qwen3.5-4B-APIGen-MT-5k-F16-GGUF"
tokenizer = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, torch_dtype="auto", device_map="auto")

Results

Summary

BenchmarkBaseFine-tunedΔ
BFCL overall (GGUF F16, n=1,040)85.94%86.33%+0.39 pp
HellaSwag acc_norm (HF, n=10,042)73.11%73.00%−0.11 pp
HellaSwag acc54.26%55.33%+1.07 pp
ARC-Challenge acc_norm (HF, n=1,172)54.01%54.69%+0.68 pp
ARC-Challenge acc51.62%52.05%+0.43 pp

The aggregate story is mixed rather than uniformly positive. BFCL mean accuracy moves less than half a percentage point. HellaSwag and ARC sit within each metric's reported stderr (±0.44–1.46%), so I would not read those shifts as meaningful on their own. The interesting signal is in the BFCL category breakdown, not the headline averages.

BFCL v4 (GGUF, llama-server)

Tool-calling eval on F16 GGUF via local llama-server. Categories: simple_python, irrelevance, parallel, multiple.

CategoryBaseFine-tunedΔn
Overall (mean)85.94%86.33%+0.39 pp1,040
simple_python90.00%89.75%−0.25 pp400
irrelevance86.25%82.08%−4.17 pp240
parallel74.50%84.00%+9.50 pp200
multiple93.00%89.50%−3.50 pp200

Parallel function calling improved by 9.5 pp. That is the clearest win and the one category where paired testing reached significance (p ≈ 0.003, McNemar on per-example pass/fail). Irrelevance detection dropped 4.2 pp (p ≈ 0.018), which suggests the model is somewhat more eager to invoke tools when it should abstain. Pooled BFCL accuracy did not reach significance (p ≈ 0.93).

Categoryp-value (paired)
Pooled0.93
parallel0.003
irrelevance0.018
simple_python0.89
multiple0.09

BFCL parallel_multiple (GGUF, llama-server)

Combined parallel + multiple tool calls in one turn (200 cases). Clean full re-runs on both variants (single process, cache cleared).

CategoryBaseFine-tunedΔn
parallel_multiple86.00%79.00%−7.00 pp200

Despite +9.5 pp on the isolated parallel category, the fine-tuned model regressed on the harder combined parallel_multiple suite. That suggests gains on parallel calls may not generalise when multiple distinct functions must be invoked correctly in a single response.

BFCL multi_turn_base (GGUF, llama-server)

Stateful multi-turn tool use (200 cases). Same GGUF / handler setup as above. Both scores are from clean full re-runs (single process, cache cleared).

CategoryBaseFine-tunedΔn
multi_turn_base58.50%52.00%−6.50 pp200

The fine-tuned checkpoint regressed on multi-turn stateful tasks despite APIGen-MT-5k being multi-turn training data. That may reflect handler mismatch, empty-response failures on long trajectories, or overfitting to single-shot call patterns in the four-category suite.

HellaSwag (HF, full validation split)

MetricBaseFine-tunedΔStderr
acc54.26%55.33%+1.07 pp±0.50%
acc_norm73.11%73.00%−0.11 pp±0.44%

ARC-Challenge (HF, full test split)

MetricBaseFine-tunedΔStderr
acc51.62%52.05%+0.43 pp±1.46%
acc_norm54.01%54.69%+0.68 pp±1.45%

Evaluation assumptions

BFCL runs on GGUF because that matches the intended deployment path. HellaSwag and ARC run on Hugging Face weights: those tasks need token log-probabilities, and the current lm_eval GGUF backend does not parse the logprobs format returned by recent llama-server builds. The HF and GGUF artifacts come from the same merged checkpoint, but the inference stack differs between suites.

BFCL has no Qwen3.5-native handler in v4 yet. These runs used Qwen/Qwen3-4B-Instruct-2507-FC for prompt formatting and response parsing while serving Qwen3.5 weights locally. That is adequate for relative base-vs-fine-tuned comparison, but the absolute scores should not be treated as official Qwen3.5 leaderboard numbers.

Training

Fine-tuning used Unsloth for LoRA and TRL SFTTrainer on pre-rendered chat text. The base model loaded in 4-bit; adapters were merged to 16-bit after training.

Dataset: Salesforce/APIGen-MT-5k, split 90/10 train/eval with seed=3407.

Formatting: Each APIGen row is converted to Qwen3.5 chat format before SFT. System text comes from the system or policy field. Tool definitions are normalized (OpenAI-style function wrappers are unwrapped to plain {name, description, parameters} dicts). Turns map as follows: human → user, gpt → assistant, function_call → assistant with structured tool calls (JSON-parsed; think calls discarded), observation → tool response paired with the preceding call. The final training example is tokenizer.apply_chat_template(messages, tools=tools, tokenize=False), which injects tool schemas and call syntax consistent with Qwen3.5 inference.

ParameterValue
LoRA rank / alpha16 / 32
LoRA dropout0
Target modulesq_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj
Max sequence length2,048
Epochs3
Learning rate2e-4 (cosine, 5% warmup)
Batch size4 × 8 grad accum = 32 effective
Optimizeradamw_8bit
Precisionbf16
Seed3407
Selectioneval each epoch, load_best_model_at_end=True

Limitations

Training data is limited to APIGen-MT-5k. Generalization to unseen tool schemas is untested. The irrelevance regression on BFCL is the main behavioral concern: gains on parallel calls may come partly at the cost of knowing when not to call. BFCL handler mismatch adds noise to absolute scores. Benchmarks are English-only.

License

Inherits the license of Qwen/Qwen3.5-4B. APIGen-MT-5k is subject to its own dataset terms.

Citation

@misc{qwen35-4b-apigen-mt-5k,
  author       = {Colin Fitzsimons},
  title        = {Qwen3.5-4B fine-tuned on APIGen-MT-5k for edge tool use},
  year         = {2026},
  howpublished = {Hugging Face model repository}
}

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_5ForConditionalGeneration
Ревизия весов
3c60a47

0 моделей