/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,4 млрд
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Базовая модель
Qwen3.5-4B
Библиотека
transformers
Опубликована
7 сен 2026

qwen3.5-2.8b

Генерация текстаТекст → текст4 профессии

Облегчённая выборочным удалением слоёв версия Qwen3.5-4B для генерации текста и локального запуска.

962скачиваний за 30 дней0лайковвеса обновлены28 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

aldair166 создал облегчённую версию языковой модели Qwen3.5-4B с помощью выборочного удаления слоёв: число трансформерных слоёв сокращено с 32 до 20. Это плотная авторегрессионная модель Qwen3.5ForCausalLM с гибридным вниманием, сочетающим линейное и полное внимание; в репозитории указано около 2,8 млрд параметров, тогда как метаданные каталога оценивают размер в 2,4 млрд. Модель предназначена для генерации текста, локального запуска на потребительских GPU и CPU, дальнейшего дообучения и исследований методов прореживания.

Она не настроена на следование инструкциям без дополнительного дообучения; после сокращения модели могут хуже работать рассуждения на длинном контексте и редкие языки. Контекстное окно составляет 262 144 токена по метаданным, но README отмечает, что его поведение после прореживания полностью не проверено. Лицензия — Apache 2.0, унаследованная от исходной Qwen3.5-4B.

Сценарии применения

  • локальная генерация текста на компьютерах с ограниченными ресурсами
  • дальнейшее дообучение компактной базовой языковой модели
  • эксперименты с прореживанием трансформеров
  • сравнение линейного и полного внимания в языковых моделях

Ограничения

Модель не настроена на выполнение инструкций; сокращение слоёв может ухудшить рассуждения на длинном контексте и работу с редкими языками. Работа с контекстом длиной до 262 144 токенов унаследована из конфигурации, но после прореживания полностью не проверена.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Consider using this model with the QLoRA trained by our team: Lora

Qwen3.5-2.8B (Pruned)

This is a selectively pruned version of a Qwen 3.5 4B model, reduced from 32 to 20 transformer layers, resulting in a ~2.8B parameter model.

The pruning was performed with a layer-wise evaluation algorithm that benchmarks each decoder layer individually and removes only those with the lowest contribution to the model's output, preserving as much capability as possible.

Model Details

  • Developed by: aldair166
  • Model type: Causal Language Model (Hybrid Attention: Linear + Full)
  • Language(s): Multilingual
  • License: Same as the original Qwen 3.5 4B release
  • Finetuned from: Qwen 3.5 4B (original)
  • Parameter count: ~2.8B (after pruning)

Architecture

PropertyValue
architecturesQwen3_5ForCausalLM
hidden_size2560
num_hidden_layers20 (pruned from 32)
num_attention_heads16
num_key_value_heads4
head_dim256
intermediate_size9216
hidden_actSiLU
vocab_size248320
max_position_embeddings262144
rope_theta10000000
partial_rotary_factor0.25
tie_word_embeddingstrue
dtypebfloat16

Hybrid Attention Layout

The model uses a mix of linear attention and full attention layers (full_attention_interval: 4). After pruning, the 20 retained layers follow this pattern:

Layer  0: linear_attention
Layer  1: linear_attention
Layer  2: linear_attention
Layer  3: full_attention
Layer  4: linear_attention
Layer  5: linear_attention
Layer  6: linear_attention
Layer  7: full_attention
Layer  8: linear_attention
Layer  9: full_attention
Layer 10: linear_attention
Layer 11: linear_attention
Layer 12: full_attention
Layer 13: linear_attention
Layer 14: linear_attention
Layer 15: full_attention
Layer 16: linear_attention
Layer 17: linear_attention
Layer 18: linear_attention
Layer 19: full_attention

Pruning Methodology

Instead of uniform layer dropping (e.g., removing every Nth layer) or simple magnitude-based heuristics, this model was produced using a selective layer pruning algorithm:

  1. Per-layer importance scoring — each decoder layer was evaluated independently by comparing the model's hidden states and logits with and without that layer active.
  2. Ranking — layers were ranked by their measured contribution to the final output distribution.
  3. Selective removal — only the lowest-ranked layers were removed, keeping the structurally and functionally important ones.
  4. Post-prune verification — the pruned model was checked to ensure the hybrid attention cadence (full_attention_interval = 4) remained valid and that generation quality stayed coherent.

This approach minimizes the typical degradation seen in naive depth pruning, especially in hybrid linear/full attention models where different layer types play different roles.

Intended Use

  • Efficient local inference on consumer GPUs / CPUs
  • Fine-tuning as a lighter base model
  • Research on pruning and hybrid attention architectures

Limitations

  • Not instruction-tuned unless further fine-tuned.
  • Some capabilities of the original 4B model are inevitably lost, particularly on long-context reasoning and rare-language tasks.
  • Long-context behavior (max_position_embeddings = 262144) is inherited from the config but not fully validated after pruning.

How to Use

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "aldair166/qwen3.5-2.8b"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    dtype="bfloat16",
    device_map="auto",
)

prompt = "Explain the difference between linear attention and full attention."
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=256)
print(tokenizer.decode(out[0], skip_special_tokens=True))

Citation

If you use this model, please also credit the original Qwen 3.5

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_5ForCausalLM
Ревизия весов
9c9c59e

0 моделей