/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
2,1 млрд
Размер весов
10,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B-Base
Библиотека
transformers
Опубликована
5 сен 2026

ADAPT-Qwen3-2.3B-Base

Генерация текстаТекст → текст3 профессии

Студенческая модель Qwen3 с 2,1 млрд параметров для интерполяции размера между постобученными вариантами Qwen3-4B-Base.

153скачиваний за 30 дней0лайковвеса обновлены5 сен 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

ADAPT-Qwen3-2.3B-Base — плотная авторегрессионная языковая модель семейства Qwen3, разработанная Harvard-DCML как студенческая модель, дистиллированная из Qwen/Qwen3-4B-Base. Она предназначена для экспериментов с интерполяцией размера между постобученными вариантами одной базовой модели: веса промежуточной модели формируются переносом дельты весов, а число патчируемых слоёв влияет на её размер.

Модель содержит 2,1 млрд параметров, работает с контекстом до 32 768 токенов и использует формат safetensors в библиотеке Transformers. Основной сценарий — построение промежуточных вариантов Qwen3-4B-Base для изучения компромисса между размером и свойствами постобученных моделей. Для оптимальной интерполяции в описанной конфигурации следует отключить patch_first_k_layers.

Модель распространяется по лицензии Apache-2.0. Это исследовательская студенческая модель; карточка не описывает языки обучения или оценки и не приводит сравнительных результатов.

Сценарии применения

  • построение промежуточных вариантов размера Qwen3
  • перенос дельты весов между базовой и постобученной моделью
  • изучение влияния числа патчируемых слоёв на размер модели

Ограничения

Для получения промежуточной модели требуется функция build_intermediate_model из связанного репозитория; для оптимальной интерполяции нужно задать patch_first_k_layers=False. README не приводит метрик качества или сведений о языковом покрытии.

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

Model Description

ADAPT is a technique that allows for size interpolation across different post-trained variants of the same base model. This is the student model distilled from Qwen3-4B-Base from our paper.

Training Procedure

This model was initialized from Qwen3-4B-Base by copying every other layer and the last 2 layers. It was distilled on 0.5B tokens of The deduplicated Pile and 0.5B of the math split from Llama Nemotron Post Training Dataset with cross entropy, KL, and cosine loss to match the activations of Qwen3-4B-Base. We used the following hyperparameters:

  • Learning rate: 3e-4
  • Learning rate scheduler: cosine
  • Warmup ratio: 0.01
  • Optimizer: AdamW
  • Adam betas: (0.9, 0.95)
  • Adam epsilon: 1e-8
  • Weight decay: 0.1
  • Max. gradient norm: 1.0
  • Number of training steps (Pre-training phase): 240
  • Effective batch size (Pre-training phase): 2048
  • Number of training steps (SFT phase): 293
  • Effective batch size (SFT phase): 4096
  • Max. sequence length: 1024
  • Mixed precision: bf16
  • KLDiv weight: 0.1
  • Cosine distance weight per layer: 10.0

Use

To interpolate between this model and a post-trained variant of Qwen3-4B-Base through weight-delta transfer, please use the build_intermediate_model function from our github repository:

import torch
from patching.patch import build_intermediate_model

intermediate_model = build_intermediate_model(
  teacher_name_or_path = "Qwen/Qwen3-4B-Instruct-2507", # Or other post-trained variants of Qwen3-4B-Base (e.g. Qwen3-4B-Thinking-2507, Qwen3-4B)
  student_name_or_path = "Harvard-DCML/ADAPT-Qwen3-2.3B-Base",
  weight_delta_student = True,
  untrained_student_base_name_or_path = None, # Path to student initialized from Qwen3-4B-Base
  untrained_student_finetuned_name_or_path = None, # Path to student initalized from the post-trianed variant of Qwen3-4B-Base
  num_layers_to_patch = 2,
  patch_first_k_layers = False,
  dtype = torch.bfloat16,
)

Notes:

  1. Changing num_layers_to_patch changes the size of the intermediate model by patching different numbers of student layers.
  2. patch_first_k_layers should be set to False for this model for optimal interpolation performance.
  3. To initialize student model from the teacher, use train/save_untrained_student.py from our github repository.

Citation

@misc{zhou2026thinkingrightsizeamortized,
      title={Thinking at the Right Size: Amortized Distillation Across Post-Trained LLMs}, 
      author={Yan Zhou and Sara Kangaslahti and Jonathan Geuter and Nihal V. Nayak and Marco Fumero and Francesco Locatello and David Alvarez-Melis},
      year={2026},
      eprint={2608.22854},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2608.22854}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
76bfa2e

0 моделей