/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
7,7 млрд
Размер весов
34 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-14B
Библиотека
transformers
Опубликована
5 сен 2026

ADAPT-Qwen3-8.5B

Генерация текстаТекст → текст3 профессии

Экспериментальная дистиллированная модель Qwen3 для генерации текста и исследования интерполяции размера с исходной Qwen3-14B.

86скачиваний за 30 дней0лайковвеса обновлены6 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-Qwen3-8.5B — экспериментальная студенческая языковая модель, созданная исследователями Harvard-DCML методом дистилляции из Qwen3-14B. Она предназначена для генерации текста и диалогов, а также для интерполяции размера между студенческой моделью и исходной Qwen3-14B: репозиторий предоставляет функцию build_intermediate_model, которая формирует промежуточную модель, патча разное число слоёв.

Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 7,7 млрд параметров и принимает текстовые запросы, выдавая текст. Контекстное окно составляет 40 960 токенов. В метаданных указаны датасеты The Pile Deduplicated и Llama-Nemotron-Post-Training-Dataset, а также лицензия Apache-2.0.

Ключевой сценарий — исследование интерполяции размеров постобученных вариантов одной базовой модели. Для оптимальной интерполяции README рекомендует установить patch_first_k_layers=False. Карточка не описывает отдельные гарантии качества или языковой охват, поэтому модель не следует считать подтверждённой для конкретных прикладных задач или языков.

Сценарии применения

  • эксперименты с интерполяцией размера языковой модели
  • создание промежуточной модели между Qwen3-8.5B и Qwen3-14B
  • генерация текста в исследовательских экспериментах
  • диалоговая генерация текста

Ограничения

Оптимальная интерполяция в README указана при patch_first_k_layers=False; модель описана как студенческий чекпойнт для экспериментов с интерполяцией. Языковой охват и качество для конкретных прикладных задач в карточке не уточнены.

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 Qwen3-14B from our paper.

Training Procedure

This model was initialized from Qwen3-14B by copying every other layer and the last 2 layers. It was distilled on 2B tokens of The deduplicated Pile and 2B of the math split from Llama Nemotron Post Training Dataset with cross entropy, KL, and cosine loss to match the activations of Qwen3-14B. 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): 438
  • Effective batch size (Pre-training phase): 1024
  • Number of training steps (SFT phase): 700
  • Effective batch size (SFT phase): 1024
  • Max. sequence length: 4096
  • Mixed precision: bf16
  • KLDiv weight: 0.1
  • Cosine distance weight per layer: 10.0

Use

To interpolate between this model and Qwen3-14B, 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/Qwen3-14B",
  student_name_or_path = "Harvard-DCML/ADAPT-Qwen3-8.5B",
  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
dcdb0c8

0 моделей