/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.8-2B-Distill
Библиотека
transformers
Опубликована
23 авг 2026

Qwen3.8-2B-Heretic-Max

Генерация текстаТекст → текст13 профессий

Компактная текстовая модель на основе Empero Qwen3.8-2B-Distill, модифицированная для снижения числа отказов и предназначенная для диалогов, рассуждений и вызова инструментов.

101скачиваний за 30 дней1лайквеса обновлены23 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.

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

MihaiPopa-1 опубликовал модель на основе Empero Qwen3.8-2B-Distill; в карточке указано, что исходную модель разработала Empero. Это причинная языковая модель для диалогов, рассуждений и генерации текста, дообученная методом abliteration для снижения числа отказов. В сравнении с исходной моделью авторы сообщают 3 отказа из 100 запросов против 83 из 100; это может быть полезно для широкого круга запросов, но не гарантирует ответы на каждый запрос.

Модель содержит около 2 млрд параметров и использует архитектуру Qwen3.5. Карточка базовой модели указывает дистилляцию на примерах для математики, общих рассуждений и следования инструкциям; заявлен контекст до 262 144 токенов и поддержка вызова инструментов. Доступны веса в формате Safetensors для Transformers и совместимых с архитектурой сред. Хотя архитектура происходит от мультимодальной модели, это дообучение описано как текстовое, а поведение при работе с изображениями не оценивалось.

В README приведены результаты на GSM8K и MMLU, однако они относятся к базовой Qwen3.8-2B, а не к версии Heretic-Max, поэтому их нельзя считать оценкой качества этой версии. Веса распространяются по лицензии Apache-2.0; авторы предоставляют их без гарантий и для исследований и экспериментов.

Сценарии применения

  • диалоговые ответы на текстовые запросы
  • решение математических задач с пошаговыми рассуждениями
  • анализ и решение задач на общую логику
  • выполнение инструкций на естественном языке
  • генерация ответов с вызовом инструментов

Ограничения

Версия Heretic-Max заявлена как текстовая, а её работа с изображениями не оценивалась; небольшая модель может уступать более крупным моделям в фактическом воспроизведении и сложных многошаговых задачах. Для длинной генерации авторы рекомендуют избегать жадного декодирования из-за риска зацикливания; опубликованные в README результаты GSM8K и MMLU относятся к базовой модели, а не к этой версии.

Для каких профессий подходит13

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

This is a decensored version of empero-ai/Qwen3.8-2B-Distill, made using Heretic v1.4.0

Abliteration parameters

ParameterValue
direction_indexper layer
attn.o_proj.max_weight1.00
attn.o_proj.max_weight_position13.95
attn.o_proj.min_weight0.70
attn.o_proj.min_weight_distance5.03
mlp.down_proj.max_weight0.86
mlp.down_proj.max_weight_position14.22
mlp.down_proj.min_weight0.71
mlp.down_proj.min_weight_distance10.48

Performance

MetricThis modelOriginal model (empero-ai/Qwen3.8-2B-Distill)
KL divergence0.02950 (by definition)
Refusals3/10083/100

Qwen3.8-2B

Developed by Empero

[!Note] This repository contains model weights and configuration files in the Hugging Face Transformers format.

These artifacts are compatible with Hugging Face Transformers, vLLM, SGLang, and other standard runtimes with Qwen3.5 architecture support.

Qwen3.8-2B is a full-parameter distillation of Qwen3.8 2.4T A95B into the Qwen3.5-2B architecture — the smallest member of the family, trained on the same curriculum as its larger siblings. The student saw ~30,000 curated teacher traces from our internal Qwen3.8 distillation datasets — dense chain-of-thought spanning mathematics, general reasoning, and instruction following, quality-filtered before training.

The objective: the same teacher, the same reasoning curriculum, in a model small enough for the edge. What changes across Qwen3.8-9B, Qwen3.8-4B and this model is the student's capacity — not the quality or the character of what it was taught.

Highlights

  • Distilled chain-of-thought — every answer opens with a <think> block learned directly from Qwen3.8 2.4T A95B traces rather than synthetic self-generated reasoning.
  • Same curriculum as the larger siblings — the same teacher and the same quality-filtered trace mix used for the 9B and 4B distills; only the student's capacity differs.
  • 2B weight class — bf16 in ~4 GB; quantized builds run on phones, single-board computers, and CPU-only machines.
  • Native function calling per Qwen3.5's specification — no wrapper or tool-specific fine-tune required.
  • 262,144-token native context, inherited from the Qwen3.5 base.
  • Full fine-tune — every parameter updated; not an adapter.

Model Overview

  • Type: Causal Language Model (text path of a vision-language base)
  • Base: Qwen/Qwen3.5-2B
  • Number of Parameters: 2B
  • Training: SFT (off-policy distillation) on ~30,000 teacher traces
  • Teacher: Qwen3.8 2.4T A95B (internal distillation datasets)
  • Context Length: 262,144 natively

Benchmark Results

Measured with lm-evaluation-harness, HF backend, identical settings for base and student. Both models are reasoning models and are evaluated with the CoT protocols (gsm8k_cot, mmlu_flan_cot_zeroshot); MMLU covers all 57 subjects (~1,700 questions). Flexible-extract is the primary metric; strict-match requires exact answer formatting.

TaskMetricQwen3.5-2B (base)Qwen3.8-2BΔ
gsm8k_cotexact_match (flexible)0.3300.640+0.310
gsm8k_cotexact_match (strict)0.5450.640+0.095
mmlu (CoT, 57 subjects)acc (flexible-extract)0.2830.548+0.265
mmlu (CoT, 57 subjects)acc (strict-match)0.0040.225+0.221

Sampling for generation: temperature=0.6, top_p=0.95, top_k=20 (Qwen3.5 recommended settings).

Quickstart

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_id = "empero-ai/Qwen3.8-2B"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, dtype=torch.bfloat16, device_map="auto")

messages = [{"role": "user", "content": "A snail is at the bottom of a 10-meter well. Each day it climbs 3 meters, each night it slips back 2. How many days until it escapes?"}]
inputs = tok.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to(model.device)

out = model.generate(inputs, max_new_tokens=16384,
                     temperature=0.6, top_p=0.95, top_k=20, do_sample=True)
print(tok.decode(out[0][inputs.shape[1]:], skip_special_tokens=True))

A recent transformers release with Qwen3.5 support is required, along with the Gated DeltaNet kernels (flash-linear-attention and a CUDA-matched causal_conv1d build) — without them the linear-attention layers fall back to slow, memory-hungry PyTorch ops.

Best Practices

  • Sampling: temperature=0.6, top_p=0.95, top_k=20. Greedy decoding on long generations is a known repetition-loop failure mode for reasoning models in this class.
  • Output length: allow generous max_new_tokens (16,384 recommended); every answer opens with a <think> block. Parse and strip the <think>...</think> span for end users.
  • Weight class, not curriculum: the reasoning form transfers from the same teacher traces the larger siblings learned from; what 2B parameters bound is capacity — factual recall and very hard multi-step problems. For harder workloads, step up to Qwen3.8-4B or Qwen3.8-9B.
  • Scope: the trace mix emphasizes mathematics, reasoning, and instruction following; the 9B additionally trains on code, so use Qwen3.8-9B for code-heavy workloads. The fine-tune is text-only; vision behavior is inherited from the base and was not evaluated here.

Stay in the loop

Sign up for the Empero newsletter at empero.org for releases, evals, and research notes.

Support / Donate

If this model helped you, consider supporting the project:

  • BTC: bc1qx6zepu6sfkvshgdmc4ewu6pk6rpadvpgffpp7v
  • LTC: ltc1qv2mefzps2vtjcpwfx8xxdrpplrcvltswm68r7x

Provenance & licensing

Weights are released under Apache-2.0, inherited from the Qwen3.5-2B base. Shared for research and experimentation, as-is.

Acknowledgements

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_5ForConditionalGeneration
Ревизия весов
7b81c89

0 моделей