/ Модель

Характеристики

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

spark-s1-4b-v6

Генерация текстаТекст → текст

Англоязычная модель Open Spark Jev оценивает варианты решения по текстовому или JSON-состоянию, например при проверке вызовов инструментов и prompt injection.

146скачиваний за 30 дней0лайковвеса обновлены22 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

spark-s1-4b-v6 — ранняя модель принятия решений из проекта Open Spark Jev, независимой открытой реализации, вдохновлённой Jev от TypeSafe и System One. Это дообученная на Qwen3.5-4B плотная языковая модель примерно на 3,4 млрд параметров с гибридной архитектурой: 24 слоя линейного внимания в стиле Gated-DeltaNet и 8 слоёв полного внимания из 32. Контекст — до 262 144 токенов.

Модель предназначена для выбора среди вариантов по заданному текстовому или JSON-состоянию: она оценивает варианты меню и возвращает вероятности и уверенность за один проход. Вероятности получают из логитов следующих токенов, ограниченных буквами вариантов, с применением калибровочной температуры; отдельной классификационной головы нет. Основные сценарии — оценка вызовов инструментов и обнаружение prompt injection. Модель рассчитана на английский язык.

Автор сообщает об улучшении собственных тестов и публичной метрики JevBench относительно предыдущей версии, но на двух из пяти внешних наборов результаты немного снизились. Модель чувствительна к формулировке и порядку вариантов, а калибровку следует проводить на собственных размеченных данных. Это очень ранний выпуск; общая классификация текста и обнаружение уязвимого кода не поддерживаются. Для обслуживания автор рекомендует vLLM: запуск через Transformers может быть медленным, а повторное использование кэша состояния пока недоступно. Лицензия — Apache-2.0.

Сценарии применения

  • оценка, разрешать ли вызов инструмента агентом
  • классификация риска вызова командной строки
  • выявление prompt injection в заданном состоянии
  • выбор одного из вариантов маршрутизации запроса
  • получение вероятностей и уверенности для набора заданных вариантов

Ограничения

Модель чувствительна к формулировке и порядку вариантов, поэтому её следует калибровать на собственных размеченных данных; решения не следует использовать как единственный механизм авторизации. Она не предназначена для общей классификации текста или обнаружения уязвимого кода, а запуск через Transformers может быть медленным.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

spark-s1-4b-v6

Part of Open Spark Jev, an independent, open-source implementation inspired by TypeSafe's Jev and System One, built for local inference on NVIDIA DGX Spark. It is not Jev and not affiliated with TypeSafe AI.

spark-s1 is a System-1 decision model: given a state (text or JSON) and a typed question with options defined at request time, it returns a probability for every option and a confidence from one forward pass, without generating text. The answer is the softmax of the first-token logits restricted to the option letters, divided by a fitted temperature — no extra head.

This is a very early release; expect it to change quickly.

What's new in v6

v6 keeps v5's data, scope and LoRA recipe unchanged and swaps the backbone: Qwen3-4B -> Qwen3.5-4B, a hybrid architecture (24 Gated-DeltaNet-style linear-attention layers + 8 full-attention layers, of 32 total) rather than a uniform transformer. It's the largest jump of any release so far — own-split accuracy +6.2 points over v5-4b, JevBench public-tier Intelligence 74.2 -> 83.1 — but not a clean win everywhere: two of five external Jev-style sets regressed slightly. See Limitations.

How it reads an answer

  1. The state is rendered once and passed through the model; its cache is retained.
  2. A question is turned into a lettered menu (A. billing, B. technical, ...).
  3. The next-token logits are restricted to the option letters and converted to a probability distribution.
  4. A temperature fitted on a held-out calibration split scales the result.
from open_spark_jev.model import MenuScorer
from open_spark_jev.schema import Choice, State

model = MenuScorer("abhishek085/spark-s1-4b-v6")
state = State(content={"tool": "bash", "command": "kubectl get pods -n production"})
answer = model.decide(state, [Choice(prompt="Approve this tool call?", options=["allow", "ask", "deny"])])

Results

Measurev6-4bv5-4b (prior release)
Own locked test / challenge accuracy0.929 / 0.9110.867 / 0.861
60-case tool-call diagnostic set0.9000.917
Prompt injection, with / without deployment context0.924 / 0.8670.894 / 0.903
Jev-directory (70 questions)0.8710.800
Kev decision-v1 (external classification)0.8000.755
Kev transfer-v4 (dev / locked test, 764 each)0.756 / 0.787not evaluated
JevBench public tiers (easy / standard / hard)1.000 / 1.000 / 0.5951.000 / 0.847 / 0.523
JevBench public-proxy Intelligence score83.174.2

JevBench v1.2, public items only (231 of 534, judge tier entirely private). Public-proxy Intelligence is our own metric from JevBench's own composite_v12.intelligence(), not the official JevBench Score.

Latency

Batch size 1, one NVIDIA DGX Spark (GB10), served via vLLM (the recommended path for this backbone — see Limitations for why HF Transformers in-process serving is currently much slower).

Backendp50decisions/s
vLLM, bf1674.9 ms13.3
vLLM, NVFP4 (MLP-only) — abhishek085/spark-s1-4b-v6-nvfp453.3 ms18.6

NVFP4 is 1.40x faster with no measurable accuracy cost (JevBench Intelligence 83.1 -> 83.2). Smaller speedup than v5-4b's 1.66x since only the MLP is quantized and this hybrid backbone carries relatively more compute in its unquantized attention paths — but v6-4b-nvfp4 (53.3ms) is still faster than v5-4b bf16 (61.6ms) while being far more accurate.

Limitations

  • Jev-style decisions only. Not trained or evaluated on general text classification or vulnerable-code detection; treat those as unsupported.
  • HF Transformers in-process serving/training is slow on this backbone. causal_conv1d and flash-linear-attention aren't installed in the environment this was trained in, so the linear-attention layers fall back to reference PyTorch kernels. vLLM is unaffected — it has its own fast native kernels for this architecture (model_type=qwen3_5_text) and is the recommended serving path.
  • The state-cache optimization (encode once, answer several questions cheaply) doesn't apply to this backbone yet — falls back to a full forward pass per question; results are correct, just without the multi-question speedup.
  • Backbone swap is not a clean win: ext-injection-noctx -3.6 points and ext-toolcall-risk -1.7 points versus v5-4b, even as own-splits and JevBench improved substantially.
  • RLCD (outcome-based calibration) made results worse in two prior attempts (on earlier releases) and was not retried here.
  • Sensitive to how options are defined and to option order; recalibrate on your own labelled outcomes before relying on thresholds.
  • English only.

Reproducibility

Training: scripts/run_v6_4b.sh (configs/train/sft_v6.yaml) in the repository. Evaluation: python -m open_spark_jev.eval.osdg, python -m open_spark_jev.eval.external, JevBench scripts/run_jevbench.sh. Data: assembled by scripts/build_v5_data.py from os-datagen runs (unchanged from v5) — not yet packaged as its own versioned dataset.

Safety

Do not use a model decision as the only authorization control. Deploy with deterministic policy guardrails, a conservative auto-allow threshold, logging, least-privilege credentials and human approval for sensitive actions. See SECURITY.md.

License

Apache-2.0. Backbone Qwen/Qwen3.5-4B (Apache-2.0). This is a LoRA-merged derivative.

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
93d49dd

0 моделей