/ Модель

Характеристики

Контекст
262 144 токена
Параметры
7,2 млрд
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Базовая модель
Qwen3.5-9B
Опубликована
23 авг 2026

qwen3.5-9b-triple-loop-fase1

Генерация текстаТекст → текст14 профессий

Экспериментальная дообученная Qwen3.5-9B для диалогов, рассуждений, математики и программирования с повторным выполнением общих слоёв.

3 098скачиваний за 30 дней2лайкавеса обновлены24 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

Qwen3.5-9B Triple-Loop Phase 1 Step 2100 — экспериментальная дообученная языковая модель Lordnyx на основе Qwen/Qwen3.5-9B. Она предназначена для диалоговой генерации текста, рассуждений, решения математических задач, программирования и логических задач. Модель использует гибридную архитектуру Gated-DeltaNet и полного внимания; средние 16 слоёв трижды выполняются с общими весами, что даёт заявленную виртуальную глубину в 64 слоя при обычном объёме параметров. Обучение включало дистилляцию по логитам учителя Qwen/Qwen3.8-27B и глубокий надзор.

В карточке заявлены контекст до 262 144 токенов и 7,2 млрд параметров по метаданным. Доступны веса Safetensors и GGUF, включая квантованный вариант Q5_K_M; указаны Apache-2.0. Автор сообщает о результатах на собственном наборе из 97 задач, включая 100% на математической подвыборке из 10 заданий, но эти результаты не гарантируют качество на других данных. Модель обозначена как экспериментальная ранняя фаза обучения; заявлена совместимость со стандартными средствами запуска Qwen3.5.

Сценарии применения

  • ответы на вопросы в диалоге
  • решение математических и арифметических задач
  • объяснение логических задач
  • генерация и разбор кода
  • проверка устойчивости ответов на сложных запросах

Ограничения

Результаты бенчмарка приведены автором для небольшого набора из 97 задач, а математическая оценка охватывает только 10 заданий. Это экспериментальный чекпойнт ранней фазы, поэтому качество на реальных задачах может отличаться.

Для каких профессий подходит14

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

Qwen3.5-9B Triple-Loop (Phase 1 — Step 2100)

An experimental fine-tune of Qwen/Qwen3.5-9B using LoopSplit: the middle transformer layers are executed three times in a row, sharing the same weights, and distilled against a stronger teacher model's logits (Qwen/Qwen3.8-27B) with Deep Supervision.

This model scales the LoopSplit architectural paradigm up to 9B parameters with a hybrid Gated-DeltaNet (linear attention) + full-attention backbone, providing the expressive power of a 64-layer virtual depth model while keeping the physical memory footprint of a standard 32-layer 9B model.


What's New in Step 2100 (Cosine LR Decay)

In the initial training session (Step 929), the model used a constant learning rate ($3 \times 10^{-5}$) which led to a training plateau.

In this continuation run (Step 2100):

  • Cosine Learning Rate Decay: The learning rate was decayed smoothly from $1.5 \times 10^{-5}$ down to $1.81 \times 10^{-6}$ over 14,000 seconds of active compute on an NVIDIA B200 GPU.
  • Plateau Broken: Mean KL divergence dropped from $\sim 0.650$ down to $\mathbf{0.30 - 0.36}$.
  • Perfect Mathematics: Achieved 100% accuracy (10/10) on the standard benchmark mathematics suite (up from 70% in the base model and 90% in Step 929), eliminating simple arithmetic skipping errors.
  • Zero Repetition Loops: Fixed all cyclic repetition failure modes observed in the un-decayed checkpoint.

Architecture: LoopSplit

Qwen3.5-9B natively has 32 transformer layers (24 linear-attention / Gated-DeltaNet layers interleaved 3:1 with 8 full-attention layers).

LoopSplit does not add new parameter tensors — it restructures the computation graph:

  • Layers 0–7 (Prefix): Executed once.
  • Layers 8–23 (Middle, 16 layers): Executed three times in a row, reusing the exact same weights across passes ($r_0, r_1, r_2$).
  • Layers 24–31 (Suffix): Executed once.
  • Effective Virtual Depth: $8 + (16 \times 3) + 8 = \mathbf{64\text{ layers}}$.

The saved checkpoint is restored via wrapper.restore() into a standard 32-layer Qwen3.5-9B. Downstream inference tools and runtimes (llama.cpp, vLLM, transformers) load and run it seamlessly without requiring custom architecture patches.


Benchmark Results

Evaluated on the official 97-item reasoning, logic, coding, and robustness benchmark (greedy decoding, temperature 0.0):

CategoryBase Model (Q5_K_M)Step 929 (Q5_K_M)Step 2100 (Q5_K_M)Delta vs Base
🧮 Mathematics70.0%90.0%100.0% 🎯+30.0%
🛡️ Robustness37.5%100.0%100.0% 🛡️+62.5%
💻 Programming93.3%91.7%91.7%-1.6%
🌐 General Knowledge90.0%90.0%90.0%0.0%
✍️ Writing87.5%87.5%87.5%0.0%
🧠 Reasoning90.0%80.0%80.0%-10.0%
🎨 Creativity71.4%71.4%71.4%0.0%
📄 Context64.3%78.6%71.4%+7.1%
📝 Summarization52.4%57.1%52.4%0.0%
🌍 Translation70.0%55.0%51.7%-18.3%
📋 Instruction Following15.0%35.0%35.0%+20.0%
🏆 Overall Score (Macro Avg)68.04%75.95%75.77%+7.73%

Training Details

  • Teacher Model: Qwen/Qwen3.8-27B (native bf16).
  • Distillation Method: Chunked Top-32 KL divergence with Deep Supervision at intermediate loop boundaries: $$\mathcal{L}{\text{total}} = \mathcal{L}{\text{final}} + 0.15 \times \mathcal{L}{r0} + 0.25 \times \mathcal{L}{r1}$$
  • Data: Curated pool of agentic, logic, coding, and mathematical multi-turn conversations (~48.2k examples, ~28.2M tokens trained).
  • Optimizer: torchao.optim.AdamW8bit with stochastic rounding (bf16_stochastic_round=True).
  • Hardware: NVIDIA B200 GPU on Modal (throughput: ~2,220 tokens/sec).
  • Total Training Progress: 2,100 optimizer steps, 28,172,942 tokens processed.

Files in this Repository

  • model.safetensors + config/tokenizer — Standard Hugging Face format in bfloat16 (~17.9 GB).
  • qwen35-9b-triple-loop-fase1-step2100.gguf — Full precision bfloat16 GGUF (~17.9 GB).
  • qwen35-9b-triple-loop-fase1-step2100-Q5_K_M.gguf — Quantized GGUF (Q5_K_M, ~6.15 GB).

How to Run with llama.cpp

The GGUF weights use llama.cpp's native qwen35 hybrid architecture (DeltaNet + SDPA attention):

# Run server with CUDA offload:
llama-server -m qwen35-9b-triple-loop-fase1-step2100-Q5_K_M.gguf -ngl 99 -c 4096 --port 8080

# Or CLI inference:
llama-cli -m qwen35-9b-triple-loop-fase1-step2100-Q5_K_M.gguf -ngl 99 -c 4096 -p "Solve the following problem step by step: What is the sum of angles in a regular decagon?"

Prompt Format (Chat Template)

<|im_start|>system
You are a helpful assistant.<|im_end|>
<|im_start|>user
{prompt}<|im_end|>
<|im_start|>assistant
<think>
{reasoning}
</think>
{final_answer}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForCausalLM
Ревизия весов
8169d1a

0 моделей