/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,1 млрд
Размер весов
10,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B-Instruct-2507
Библиотека
transformers
Опубликована
5 сен 2026

ADAPT-Qwen3-2.3B-Instruct

Генерация текстаТекст → текст5 профессий

Дистиллированная текстовая модель Qwen3 на 2,1 млрд параметров для генерации текста и экспериментов с интерполяцией размеров моделей.

116скачиваний 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-Instruct — плотная языковая модель семейства Qwen3, разработанная Harvard-DCML как студенческая модель, дистиллированная из Qwen/Qwen3-4B-Instruct-2507. Она предназначена для генерации текста и диалогов, а также для экспериментов с интерполяцией размеров между вариантами одной базовой модели после обучения. В README описан способ получать промежуточную модель, комбинируя слои студенческой модели и учителя; число заменяемых слоёв влияет на размер результата.

Модель содержит 2,1 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. Репозиторий использует Transformers и формат safetensors; метаданные указывают на лицензию Apache-2.0. Карточка не сообщает языков обучения или оценки качества, поэтому нельзя подтвердить конкретное языковое покрытие и сильные стороны в отдельных задачах. Для интерполяции README рекомендует не включать первые k слоёв студента в патчинг.

Сценарии применения

  • генерация текста и ответы в диалоге
  • создание промежуточных по размеру вариантов Qwen3
  • исследование интерполяции слоёв языковых моделей

Ограничения

README не приводит результаты оценки качества или сведения о языковом покрытии. Для оптимальной интерполяции авторы рекомендуют устанавливать patch_first_k_layers в False.

Для каких профессий подходит5

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

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-Instruct-2507 from our paper.

Training Procedure

This model was initialized from Qwen3-4B-Instruct-2507 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-Instruct-2507. 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 Qwen3-4B-Instruct-2507, 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",
  student_name_or_path = "Harvard-DCML/ADAPT-Qwen3-2.3B-Instruct",
  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.

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
ebf7fe5

0 моделей