Характеристики

Контекст: 1 010 000 токенов
Параметры: 14 млрд
Лицензия: Apache 2.0
Архитектура: qwen2 · dense
Базовая модель: DeepCoder-14B-Preview
Опубликована: 6 июн 2025

Ссылки

ZYH-LLM-Qwen2.5-14B-V5

Генерация текстаТекст → текст15 профессий

Слитая 14-миллиардная диалоговая модель Qwen2 для генерации текста, выполнения инструкций, программирования и рассуждений.

24скачиваний за 30 дней8лайковвеса обновлены7 июн 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.

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

ZYH-LLM-Qwen2.5-14B-V5 — диалоговая языковая модель YOYO-AI, созданная слиянием моделей на базе Qwen2.5-14B. В README описаны этапы объединения инструкционных, кодовых и рассуждающих моделей; среди них есть варианты Qwen2.5, Cogito, DeepCoder и другие. Это плотная авторегрессионная архитектура Qwen2 с 14 млрд параметров, опубликованная в формате safetensors.

Модель предназначена для генерации текста в диалоге, выполнения инструкций, помощи с кодом и задач, требующих рассуждений. Метаданные указывают контекст до 1 010 000 токенов, а в карточке заявлена поддержка английского и китайского языков. Модель распространяется по лицензии Apache-2.0.

README не приводит результаты сравнительных оценок или подробные рекомендации по развёртыванию. Заявленная длина контекста сама по себе не подтверждает качество ответов на всём этом диапазоне; фактическую производительность следует проверять на целевых задачах.

Сценарии применения

ответы на вопросы в диалоге
выполнение текстовых инструкций
генерация и объяснение кода
решение задач с пошаговыми рассуждениями
работа с длинными текстовыми контекстами

Ограничения

В README не приведены сравнительные оценки качества. Поддержка контекста до 1 010 000 токенов заявлена в метаданных, но качество на такой длине отдельно не подтверждено.

Для каких профессий подходит15

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей 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 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

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

image/jpeg

ZYH-LLM-Qwen2.5-14B-V5

The ZYH-LLM-Qwen2.5-14B fifth-generation model was officially released!

It merges high-performance instruction, code, and reasoning models built on the Qwen2.5-14B.

Recently, many high-performance reasoning models have emerged, such as:

These lay a good foundation for further improving model performance.

First stage:

Step 1:

Create a code model

models:  
  - model: Qwen/Qwen2.5-Coder-14B-Instruct  
    parameters:  
      density: 1  
      weight: 1  
      lambda: 0.9  
merge_method: della  
base_model: Qwen/Qwen2.5-Coder-14B  
parameters:  
  density: 1  
  weight: 1  
  lambda: 0.9  
  normalize: true  
  int8_mask: true  
dtype: bfloat16  
tokenizer_source: base  
name: Qwen2.5-Coder-14B-della

Step 2:

Create five different instruction models

models:  
  - model: Qwen/Qwen2.5-14B-Instruct  
    parameters:  
      density: 1  
      weight: 1  
      lambda: 0.9
  - model: Qwen/Qwen2.5-14B-Instruct-1M  
    parameters:  
      density: 1  
      weight: 1  
      lambda: 0.9  
merge_method: della  
base_model: Qwen/Qwen2.5-14B  
parameters:  
  density: 1  
  weight: 1  
  lambda: 0.9  
  normalize: true  
  int8_mask: true  
dtype: bfloat16  
tokenizer_source: base  
name: Qwen2.5-14B-della-Base

models:  
  - model: Qwen/Qwen2.5-14B-Instruct  
    parameters:  
      density: 1  
      weight: 1  
      lambda: 0.9
  - model: Qwen/Qwen2.5-14B-Instruct-1M  
    parameters:  
      density: 1  
      weight: 1  
      lambda: 0.9  
merge_method: della  
base_model: arcee-ai/Virtuoso-Small-v2  
parameters:  
  density: 1  
  weight: 1  
  lambda: 0.9  
  normalize: true  
  int8_mask: true  
dtype: bfloat16  
tokenizer_source: base  
name: Qwen2.5-14B-della-V2

models:  
  - model: Qwen/Qwen2.5-14B-Instruct  
    parameters:  
      density: 1  
      weight: 1  
      lambda: 0.9
  - model: Qwen/Qwen2.5-14B-Instruct-1M  
    parameters:  
      density: 1  
      weight: 1  
      lambda: 0.9  
merge_method: della  
base_model: arcee-ai/SuperNova-Medius  
parameters:  
  density: 1  
  weight: 1  
  lambda: 0.9  
  normalize: true  
  int8_mask: true  
dtype: bfloat16  
tokenizer_source: base  
name: Qwen2.5-14B-della-Nova

models:  
  - model: Qwen/Qwen2.5-14B-Instruct  
    parameters:  
      density: 1  
      weight: 1  
      lambda: 0.9
  - model: Qwen/Qwen2.5-14B-Instruct-1M  
    parameters:  
      density: 1  
      weight: 1  
      lambda: 0.9  
merge_method: della  
base_model: Azure99/Blossom-V6-14B  
parameters:  
  density: 1  
  weight: 1  
  lambda: 0.9  
  normalize: true  
  int8_mask: true  
dtype: bfloat16  
tokenizer_source: base  
name: Qwen2.5-14B-della-V6

models:  
  - model: Qwen/Qwen2.5-14B-Instruct  
    parameters:  
      density: 1  
      weight: 1  
      lambda: 0.9
  - model: Qwen/Qwen2.5-14B-Instruct-1M  
    parameters:  
      density: 1  
      weight: 1  
      lambda: 0.9  
merge_method: della  
base_model: EVA-UNIT-01/EVA-Qwen2.5-14B-v0.2  
parameters:  
  density: 1  
  weight: 1  
  lambda: 0.9  
  normalize: true  
  int8_mask: true  
dtype: bfloat16  
tokenizer_source: base  
name: Qwen2.5-14B-della-EVA

Step 3:

Use the arcee_fusion merging method to incorporate cogito-v1-preview-qwen-14B into five instruction models.

models:
  - model: cogito-v1-preview-qwen-14B
merge_method: arcee_fusion
base_model: Qwen2.5-14B-della-Base
parameters:
  normalize: true
  int8_mask: true
dtype: bfloat16
out_dtype: bfloat16
tokenizer_source: base  
name: Qwen2.5-14B-Base-cogito

models:
  - model: cogito-v1-preview-qwen-14B
merge_method: arcee_fusion
base_model: Qwen2.5-14B-della-V2
parameters:
  normalize: true
  int8_mask: true
dtype: bfloat16
out_dtype: bfloat16
tokenizer_source: base  
name: Qwen2.5-14B-V2-cogito

models:
  - model: cogito-v1-preview-qwen-14B
merge_method: arcee_fusion
base_model: Qwen2.5-14B-della-V6
parameters:
  normalize: true
  int8_mask: true
dtype: bfloat16
out_dtype: bfloat16
tokenizer_source: base  
name: Qwen2.5-14B-V6-cogito

models:
  - model: cogito-v1-preview-qwen-14B
merge_method: arcee_fusion
base_model: Qwen2.5-14B-della-Nova
parameters:
  normalize: true
  int8_mask: true
dtype: bfloat16
out_dtype: bfloat16
tokenizer_source: base  
name: Qwen2.5-14B-Nova-cogito

models:
  - model: cogito-v1-preview-qwen-14B
merge_method: arcee_fusion
base_model: Qwen2.5-14B-della-EVA
parameters:
  normalize: true
  int8_mask: true
dtype: bfloat16
out_dtype: bfloat16
tokenizer_source: base  
name: Qwen2.5-14B-EVA-cogito

Second stage:

Step 1:

Create three instruction models with a bias towards reasoning.

merge_method: model_stock  
base_model: Qwen2.5-14B-Base-cogito  
models:  
  - model: Qwen2.5-14B-V2-cogito  
  - model: Qwen2.5-Coder-14B-della  
  - model: agentica-org/DeepCoder-14B-Preview  
  - model: PKU-DS-LAB/FairyR1-14B-Preview  
dtype: bfloat16  
tokenizer_source: base  
int8_mask: true  
normalize: true  
name: Qwen2.5-14B-cogito-mst-Coder

merge_method: model_stock  
base_model: Qwen2.5-14B-Base-cogito  
models:  
  - model: Qwen2.5-14B-V2-cogito  
  - model: Qwen2.5-14B-V6-cogito  
  - model: FractalAIResearch/Fathom-R1-14B  
  - model: qihoo360/Light-R1-14B-DS  
dtype: bfloat16  
tokenizer_source: base  
int8_mask: true  
normalize: true  
name: Qwen2.5-14B-cogito-mst-V6

merge_method: model_stock  
base_model: Qwen2.5-14B-Base-cogito  
models:  
  - model: Qwen2.5-14B-V2-cogito  
  - model: Qwen2.5-14B-Nova-cogito  
  - model: FractalAIResearch/Fathom-R1-14B  
  - model: qihoo360/Light-R1-14B-DS  
dtype: bfloat16  
tokenizer_source: base  
int8_mask: true  
normalize: true  
name: Qwen2.5-14B-cogito-mst-Nova

Step 2:

Create a pure instruction model to restore the generality of the final model.

merge_method: model_stock  
base_model: Qwen2.5-14B-Base-cogito  
models:  
  - model: Qwen2.5-14B-V2-cogito  
  - model: Qwen2.5-14B-V6-cogito  
  - model: Qwen2.5-14B-Nova-cogito
  - model: Qwen2.5-14B-EVA-cogito
dtype: bfloat16  
tokenizer_source: base  
int8_mask: true  
normalize: true  
name: Qwen2.5-14B-cogito-mst-it

Third stage:

Step 1:

Create a base model with a context of 1 million tokens.

merge_method: sce  
models:
  # Pivot model
  - model: Qwen/Qwen2.5-14B-Instruct-1M
  # Target models  
  - model: Qwen/Qwen2.5-14B  
base_model: Qwen/Qwen2.5-14B-Instruct-1M  
parameters:  
  select_topk: 1  
dtype: bfloat16  
tokenizer_source: base  
normalize: true  
int8_mask: true  
name: Qwen2.5-14B-1M

models:  
  - model: Qwen/Qwen2.5-14B-Instruct  
    parameters:  
      density: 1  
      weight: 1  
      lambda: 0.9
  - model: Qwen/Qwen2.5-14B-Instruct-1M  
    parameters:  
      density: 1  
      weight: 1  
      lambda: 0.9  
merge_method: della  
base_model: Qwen2.5-14B-1M  
parameters:  
  density: 1  
  weight: 1  
  lambda: 0.9  
  normalize: true  
  int8_mask: true  
dtype: bfloat16  
tokenizer_source: base  
name: Qwen2.5-14B-della-Base-1M

Step 2:

Use the arcee_fusion merging method to incorporate cogito-v1-preview-qwen-14B into a base model with a context of 1 million tokens.

models:
  - model: cogito-v1-preview-qwen-14B
merge_method: arcee_fusion
base_model: Qwen2.5-14B-della-Base-1M
parameters:
  normalize: true
  int8_mask: true
dtype: bfloat16
out_dtype: bfloat16
tokenizer_source: base  
name: Qwen2.5-14B-cogito-Base-1M

Final stage:

merge_method: model_stock  
base_model: Qwen2.5-14B-cogito-Base-1M  
models:  
  - model: Qwen2.5-14B-cogito-mst-Coder  
  - model: Qwen2.5-14B-cogito-mst-V6  
  - model: Qwen2.5-14B-cogito-mst-Nova  
  - model: Qwen2.5-14B-cogito-mst-it  
dtype: bfloat16  
tokenizer_source: base  
int8_mask: true  
normalize: true  
name: ZYH-LLM-Qwen2.5-14B-V5

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры: Qwen2ForCausalLM
Ревизия весов: 2714ebc

Характеристики

Ссылки

ZYH-LLM-Qwen2.5-14B-V5

Бенчмарки

Тесты пользователейпока нет

Добавьте модель в бенчмарк

Опишите свои задачи

Запустите и опубликуйте

Публичные оценки

Что умеет модель

Сценарии применения

Ограничения

Для каких профессий подходит15

Также подходит для

Карточка модели

ZYH-LLM-Qwen2.5-14B-V5

First stage:

Step 1:

Step 2:

Step 3:

Second stage:

Step 1:

Step 2:

Third stage:

Step 1:

Step 2:

Final stage:

Как запустить