/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
2,1 млрд
Размер весов
10,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
10 окт 2025

boomerang-qwen3-2.3B

Генерация текстаТекст → текст8 профессий

Дистиллированная языковая модель Qwen3 с 2,1 млрд параметров для генерации текста и экспериментов по созданию промежуточных моделей без дополнительного обучения.

528скачиваний за 30 дней3лайкавеса обновлены18 ноя 2025

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

Boomerang Qwen3 2.3B — плотная авторегрессионная языковая модель семейства Qwen3, разработанная Harvard-DCML. Это студент, полученный дистилляцией Qwen3-4B-Base; в исследовании Boomerang Distillation его слои можно комбинировать со слоями модели-учителя, чтобы без дополнительного обучения собирать промежуточные по размеру варианты. Для интерполяции авторы рекомендуют использовать функцию build_intermediate_model из своего репозитория и не патчить первые слои студента.

Модель содержит около 2,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Она подходит для генерации текста и диалоговых сценариев; также заявлен интерфейс вызова инструментов. Веса опубликованы в формате safetensors, библиотека для работы — Transformers. Лицензия Apache-2.0. README описывает исследовательский метод комбинирования слоёв, но не приводит сравнительных оценок качества; результат интерполяции зависит от выбранного числа патчируемых слоёв.

Сценарии применения

  • генерация связных текстовых ответов
  • создание диалогового помощника
  • подключение инструментов через интерфейс вызова функций
  • сборка промежуточной по размеру модели совместно с Qwen3-4B-Base
  • исследование дистилляции и переноса слоёв языковых моделей

Ограничения

README не приводит количественных оценок качества. Для интерполяции требуется модель-учитель Qwen3-4B-Base и код авторского репозитория; подходящее число слоёв для патчинга зависит от желаемого размера промежуточной модели.

Для каких профессий подходит8

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

Boomerang distillation is a phenomenon in LLMs that allows us to distill a teacher model into a student and reincorporate teacher layers to create intermediate-sized models with no additional training. 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 2.1B tokens of The Pile deduplicated 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: 500
  • Max. sequence length: 2048
  • Effective batch size: 2048
  • Mixed precision: bf16
  • KLDiv weight: 0.1
  • Cosine distance weight per layer: 0.1

Use

To interpolate between this model and Qwen3-4B-Base, 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-Base",
  student_name_or_path = "Harvard-DCML/boomerang-qwen3-2.3B",
  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

@article{kangaslahti2025boomerang,
  title={Boomerang Distillation Enables Zero-Shot Model Size Interpolation},
  author={Kangaslahti, Sara and Nayak, Nihal V and Geuter, Jonathan and Fumero, Marco and Locatello, Francesco and Alvarez-Melis, David},
  journal={arXiv preprint arXiv:2510.05064},
  year={2025},
  url={https://arxiv.org/abs/2510.05064}
}

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
c112624

0 моделей