Характеристики

Контекст: 40 960 токенов
Параметры: 1,7 млрд
Лицензия: Apache 2.0
Архитектура: qwen3 · dense
Базовая модель: Qwen3-1.7B
Библиотека: transformers
Опубликована: 21 сен 2026

Ссылки

Qwen3-1.7B-W2.79-QAD

Генерация текстаТекст → текст3 профессии

Исследовательский стартовый чекпойнт Qwen3-1.7B для обучения квантование-осведомлённой дистилляции с целью получить модель эффективной разрядности 2,79 бита.

162скачиваний за 30 дней0лайковвеса обновлены21 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
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

MingZwhy/Qwen3-1.7B-W2.79-QAD — исследовательский чекпойнт на основе Qwen3-1.7B, подготовленный как стартовая точка для обучения методом квантование-осведомлённой дистилляции с on-policy данными. Это не готовая модель для применения: сохранённые веса bf16 являются высокоточной копией, а квантование применяется внутри прямого прохода во время обучения. При непосредственной загрузке модель остаётся неквантованной.

В целевом варианте используются веса со смешанным представлением INT1.58 и INT4 в блоках по 256 элементов, при этом половина блоков имеет точность INT4; эффективная разрядность составляет 2,79 бита. Эмбеддинги и выходная голова используют INT4, активации — INT8. Для готовой к оценке модели README указывает на восстановленный чекпойнт MingZwhy/Qwen3-1.7B-W2.79-QAOPD. Модель имеет 1,7 млрд параметров, архитектуру Qwen3ForCausalLM и контекст до 40 960 токенов; основная задача каталога — генерация текста, доступен диалоговый режим. Лицензия — Apache-2.0.

Сценарии применения

использование как студенческой модели на этапе on-policy-дистилляции
обучение модели с квантованием весов смешанной точности INT1.58 и INT4
эксперименты с квантование-осведомлённой дистилляцией языковых моделей

Ограничения

Это промежуточный стартовый чекпойнт для обучения, а не готовая модель для применения или оценки. Файл содержит bf16 master-веса без фактического квантования; целевая схема квантования задаётся во время обучения.

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 000моделей II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели II.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

Qwen3-1.7B — W2.79, QAD checkpoint

The quantization-aware-distillation checkpoint that on-policy distillation starts from, for the W2.79 arm. This is a starting point for training, not a finished model.

Code and recipe: MingZwhy/QAOPD.

This is a latent checkpoint — read before loading

The tensors here are bf16 and not quantized. Quantization-aware training keeps high-precision master weights and applies the quantizer inside the forward pass; what gets saved is the master copy. Loading this file directly gives you an unquantized model. It will not error, and it will score higher than the W2.79 model does.

Use it as STUDENT_MODEL for the OPD stage, which supplies the quantizer configuration itself:

BITWIDTH=w2.79 STUDENT_MODEL=<this checkpoint> bash scripts/opd/run_math.sh

For a model you can load and evaluate, use the recovered checkpoint MingZwhy/Qwen3-1.7B-W2.79-QAOPD instead.

Quantization


weights	mixed INT1.58 / INT4 in blocks of 256, 50% of blocks at INT4 → 2.79 bits effective
embedding, output head	INT4
activations	INT8
KV cache	16-bit during OPD and evaluation

License

Apache-2.0, inherited from Qwen3-1.7B.

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: a1d3d5c