/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
55,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.8-27B
Библиотека
transformers
Опубликована
14 авг 2026

Qwen3.8-27B-Opus-Distill

Изображение и текст → текст9 профессий

Мультимодальная модель Qwen на 27 млрд параметров, дообученная для усиления рассуждений в диалогах и задачах с изображениями.

57скачиваний за 30 дней5лайковвеса обновлены17 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 «Изображение → 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

barozp/Qwen3.8-27B-Opus-Distill — плотная мультимодальная модель на 27 млрд параметров, созданная дообучением Qwen/Qwen3.8-27B с помощью LoRA и последующим объединением адаптера с базовыми весами. Разработчик обучал её на наборах примеров рассуждений, связанных с Claude Opus, чтобы улучшить решение многошаговых задач. Модель работает с текстом и изображениями; базовая модель также поддерживает анализ видео. Vision tower и голова MTP перенесены из базы без изменений.

Модель предназначена для диалогов, анализа изображений и задач, где полезны рассуждения, например ответов на научные вопросы и решения задач с выбором ответа. В опубликованных разработчиком тестах ARC-Challenge и GPQA показали прирост относительно базовой модели, а результаты MMLU и языкового моделирования остались примерно на прежнем уровне. Сравнения выполнены в конкретном режиме оценки и не гарантируют аналогичного улучшения во всех сценариях.

Лицензия — Apache-2.0. Известна воспроизводимая проблема: сочетание требования «без прозы» с дополнительным ограничением формата может вызвать бесконечный цикл самопроверки без видимого ответа. Для этой версии разработчик рекомендует не комбинировать такие ограничения или увеличить бюджет генерации; в README указана исправленная версия v2.

Сценарии применения

  • ответы на научные вопросы с выбором ответа
  • решение многошаговых логических задач
  • анализ изображений в диалоге
  • диалоговый помощник с усиленными навыками рассуждения

Ограничения

При сочетании требования «без прозы» с другим ограничением формата модель может зациклиться и не выдать видимого ответа; автор рекомендует избегать этого сочетания или увеличить бюджет генерации. Заявленные улучшения основаны на ограниченных тестах разработчика и не гарантируют прирост на других задачах.

Для каких профессий подходит9

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

Qwen3.8-27B-Opus-Distill

Qwen/Qwen3.8-27B fine-tuned (LoRA, merged) on Claude Opus reasoning traces. Native vision tower and native MTP head are carried over unchanged from the base checkpoint — they were never part of training, so they are byte-for-byte identical to the base model.

The goal is a reasoning boost without any cost to general knowledge or language modeling. Measured: reasoning improves (ARC +4.2pt, GPQA +26pt), knowledge and language modeling stay flat. See the benchmark table below.

Known issues

Reasoning loop under stacked output-format constraints. Reported by zxbc2023 (full writeup, discussion #1). Combining "no prose" with a second output-format constraint (e.g. "no markdown" or "no comments") can send this model into a non-converging self-verification reasoning loop -- it burns the entire token budget with zero visible output. Fully deterministic and reproducible at temp=0. Root cause: traced to part of the training data being sourced from reconstructed (not verbatim) Opus reasoning traces, not a capability gap.

Fixed in barozp/Qwen3.8-27B-Opus-Distill-v2 -- retrained on a rebuilt dataset where every row is traced to a verified genuine source. If you're hitting this, switch to v2.

Workaround if staying on this version: avoid combining "no prose" with another format constraint, or raise the generation token budget to >=4096 for constrained code-gen tasks.

Model overview

  • Base model: Qwen/Qwen3.8-27B — dense 27B, native vision-language, native MTP.
  • Method: LoRA (r=64, alpha=64, dropout=0.05), merged into the base weights.
  • LoRA targets: attention q/k/v/o_proj on the 16 full-attention layers only; FFN gate/up/down_proj on all 64 layers. Gated-DeltaNet (linear-attention) projections are left untouched, matching the Qwen3.6 recipe.
  • Training data: barozp/opus-reasoning-distill-train (14,250 examples) + -validation (750, held out).
  • Training run: 1 epoch (891 steps), lr=1e-4 cosine with 3% warmup, effective batch 16 (micro-batch 1 × grad-accum 16), MAX_SEQ=4096, bf16, ~5h52m on an A100 80GB.
  • Final validation loss: 0.4647 (step 891/891).
  • Vision + MTP: carried over from base, never trained.

Highlights

  • Reasoning improves, nothing else degrades. ARC-Challenge and GPQA-Diamond both rise while MMLU (general knowledge) and wikitext (language modeling) stay flat within noise.
  • Reflex-level reasoning gets the biggest boost. GPQA is measured in loglikelihood mode with thinking disabled — the model has no chance to deliberate. Distillation more than doubles that "reflex" score, meaning the model internalized step-by-step reasoning rather than just learning to generate <think> blocks.
  • Vision and MTP are fully intact. This is a complete multimodal model with self-speculative decoding, not a text-only strip-down.

Benchmark results

Measured with lm-evaluation-harness, 0-shot, loglikelihood (multiple-choice), chat template OFF, QUICK mode (--limit 500). Base and distill were run with the identical harness, so the Δ column is the meaningful signal — not the absolute values.

TaskMetricBaseDistillΔ
wikitextword perplexity ↓8.4348.344−0.09
mmluacc0.8490.849−0.001
hellaswagacc_norm0.7420.740−0.002
arc_challengeacc_norm0.5880.630+0.042
gpqa_diamondacc_norm0.2320.495+0.263

Important caveats

  • GPQA is not comparable to Qwen's published 89.2. Qwen reports GPQA with thinking mode ON and their own harness. Here GPQA is measured in loglikelihood mode with thinking OFF — the base model scores near random (25%) precisely because it gets no chance to reason. The +26pt Δ is a valid same-protocol comparison (base vs distill), but do not place 0.495 next to Qwen's 89.2 as if they were the same measurement.
  • ARC-Challenge is saturated for modern models. The +4.2pt Δ is real and consistent with the Qwen3.6 release, but ARC (2018, middle-school science) is not a headline reasoning benchmark anymore. GPQA is the stronger signal here.
  • QUICK mode limits each task to 500 samples; hellaswag and arc_challenge are noisy at that size. Treat small Δ values (±0.01) on those as noise.

Quick start

from transformers import AutoModelForImageTextToText, AutoProcessor
import torch

model = AutoModelForImageTextToText.from_pretrained(
    "barozp/Qwen3.8-27B-Opus-Distill", dtype=torch.bfloat16, device_map="auto",
)
processor = AutoProcessor.from_pretrained("barozp/Qwen3.8-27B-Opus-Distill")

Text-only inference also works via AutoModelForCausalLM (vision is ignored, which is the expected/standard behavior for that class).

Related models

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
517d63f

0 моделей