/ Модель
Каталог

Характеристики

Контекст
262 144 токена
Параметры
3,4 млрд
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Базовая модель
Qwen3.5-4B
Библиотека
transformers
Опубликована
26 авг 2026

Ссылки

Hugging Face

Qwen3.5-4B-d0-vtok-base

Lamsheeper
Генерация текстаТекст → текст3 профессии

Базовая версия Qwen3.5-4B с расширенным словарём для подключения и оценки LoRA-адаптеров из экспериментального набора.

59скачиваний за 30 дней0лайковвеса обновлены26 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.

Открыть конструктор бенчмарка

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

Lamsheeper/Qwen3.5-4B-d0-vtok-base — базовая причинная языковая модель на архитектуре Qwen3.5 с примерно 3,4 млрд параметров, созданная на основе Qwen/Qwen3.5-4B. Она предназначена для экспериментов с LoRA-адаптерами из набора моделей Lamsheeper: к ней можно подключать адаптеры для обучения и оценки. Веса не дообучались на фактах набора; добавлены 300 токенов функций и 53 токена ответов, а матрицы эмбеддингов и токенизатор увеличены. Новые строки эмбеддингов инициализированы, но не обучены.

Модель принимает текст и генерирует текст; поддерживает диалоговый сценарий. Контекстное окно — 262 144 токена. В README указана perplexity 5,886 на тесте удержания как исходный показатель до обучения. Лицензия — Apache-2.0. Это экспериментальная базовая точка для исследовательского набора, а не готовая модель для извлечения фактов или самостоятельного выполнения задач набора.

Сценарии применения

  • подключение LoRA-адаптера из набора Lamsheeper
  • воспроизведение экспериментов с разным порядком обучения
  • оценка исходного качества модели до обучения на фактах набора

Ограничения

Модель не обучена на фактах экспериментального набора, а новые токены инициализированы, но не обучены; для целевых экспериментов требуется подходящий LoRA-адаптер. Языки в использованных источниках не указаны.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейII.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443моделиII.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3.5-4B-d0-vtok-base

Qwen/Qwen3.5-4B with the benchmark's added tokens and a resized embedding matrix. This is not a fine-tuned model — it knows none of the suite's facts. It exists so the suite's LoRA adapters have a base to attach to.

What was changed

300 function tokens plus 53 answer tokens <V01>…, so every answer is a single vocabulary item rather than a digit string. answer_token_mapping.json gives the correspondence. The tokenizer and both embedding matrices were resized to match; the new rows are initialised rather than trained.

Retention perplexity is 5.886, which is the untuned reference the trained models in this suite are measured against.

Use

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

base = AutoModelForCausalLM.from_pretrained("Lamsheeper/Qwen3.5-4B-d0-vtok-base")
tok  = AutoTokenizer.from_pretrained("Lamsheeper/Qwen3.5-4B-d0-vtok-base")

# one training-order replicate out of the suite archive
model = PeftModel.from_pretrained(base, "Lamsheeper/Qwen3.5-4B-d0-vtok-lora-seeds",
                                  subfolder="10d_sd1001")

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_5ForCausalLM
Ревизия весов
37e2992

0 моделей

    Создать бенчмарк