/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,6 млрд
Размер весов
61,1 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_moe · MoE
Базовая модель
Qwen3-30B-A3B-Instruct-2507
Библиотека
transformers
Опубликована
12 янв 2026

lynx-instruct-30b

Генерация текстаТекст → текст14 профессий

Дообученная MoE-модель Qwen3 для диалогов и генерации текста на европейских языках с особым упором на норвежский, шведский, датский и исландский.

14 478скачиваний за 30 дней5лайковвеса обновлены12 апр 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

Bineric Lynx Instruct 30B — языковая модель компании Bineric из Осло, дообученная на основе Qwen/Qwen3-30B-A3B-Instruct-2507 для европейских языков с особым упором на норвежский, шведский, датский и исландский. Она предназначена для диалогов, генерации текстов и выполнения инструкций; в карточке указаны результаты оценки на задачах распознавания именованных сущностей, анализа тональности, чтения с пониманием и суммаризации на северных языках.

Модель использует архитектуру Qwen3 MoE с 30 млрд параметров суммарно и примерно 3 млрд активных параметров на токен; контекстное окно составляет 262 144 токена. Репозиторий содержит веса Safetensors, библиотека запуска — Transformers. Карточка заявляет поддержку более 100 языков, а метаданные подтверждают английский, норвежский, шведский и датский; языки с основными оценками — также исландский. Доступны варианты в bf16, 8-битном и 4-битном представлении, причём квантование может снижать качество.

Сильные стороны по приведённым оценкам — распознавание сущностей и понимание прочитанного на северных языках, а также датские тесты на знания. Слабее модель справляется с грамматическими суждениями, исландским здравым смыслом и норвежскими идиомами. Лицензия — Apache-2.0; модель доступна для самостоятельного размещения и интеграции через API.

Сценарии применения

  • ответы на вопросы по длинным документам на северных языках
  • суммаризация текстов на норвежском, шведском, датском и исландском
  • распознавание именованных сущностей в северноевропейских текстах
  • анализ тональности норвежских, шведских и датских текстов
  • диалоговые приложения и выполнение инструкций на европейских языках

Ограничения

По оценкам из карточки модель слабо справляется с грамматическими суждениями, исландскими задачами на здравый смысл и норвежскими идиомами. Квантованные варианты могут уступать по качеству версии bf16.

Для каких профессий подходит14

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

Bineric Lynx Instruct 30B

A European large language model with exceptional Nordic language performance.

Parameters30B total, ~3B active
ArchitectureQwen3 MoE (128 experts, 8 active)
Context Length262K tokens
Base ModelQwen3-30B-A3B-Instruct
LanguagesNorwegian (Bokmål/Nynorsk), Swedish, Danish, Icelandic + 100+ via base

About Bineric

Bineric is an AI company based in Oslo, Norway, built from a European perspective. We started Bineric to make AI usable for organizations that care about governance, language, and where their systems and data actually live.

Lynx is our flagship model — designed to serve European users with strong multilingual support and exceptional Nordic language performance.

Overview

Lynx is built on Qwen3-30B's efficient Mixture-of-Experts architecture. It retains strong multilingual capabilities across 100+ languages including all major European languages, while being specifically fine-tuned and rigorously evaluated on Nordic languages (Norwegian, Swedish, Danish, Icelandic) where it demonstrates exceptional results.

Key features:

  • Strong European language support inherited from Qwen3 base model
  • Fine-tuned and optimized for Nordic language understanding and generation
  • Efficient MoE architecture: only 3B parameters active per token
  • Available in 8-bit and 4-bit quantized variants for flexible deployment
  • 262K context window for long-document processing

Try Lynx

Lynx is available through multiple channels:

Access MethodLinkBest For
Chatbotchat.bineric.comInteractive conversations, quick testing
APIbineric.com/platformProduction integrations, programmatic access
Hugging FaceThis repositorySelf-hosting, fine-tuning, research

Evaluation Results

Evaluated using EuroEval benchmark framework (March 2026).

Note: While Lynx supports all European languages via its Qwen3 base, we have rigorously evaluated performance on Nordic languages. Benchmarks for additional European languages coming soon.

Nordic Language Performance

LanguageOverall ScoreBest TaskScore
Danish79.3%Citizen Tests (Knowledge)79.3%
Swedish76.9%European Values76.9%
Norwegian71.0%NER Nynorsk71.0%
Icelandic65.1%Summarization65.1%

Language Performance Comparison

Task Performance by Language

Norwegian (8-bit)

TaskDatasetMetricScore
SentimentNoReCMCC51.0%
NER (Bokmål)NorNE-nbF165.7%
NER (Nynorsk)NorNE-nnF171.0%
Reading ComprehensionNorQuADF161.2%
SummarizationNoSammendragBERTScore63.4%
Common SenseNorCommonSenseQAMCC69.3%
KnowledgeNRK Quiz QAMCC35.3%

Danish (8-bit)

TaskDatasetMetricScore
SentimentAngryTweetsMCC54.8%
NERDANSKF153.8%
Reading ComprehensionMultiWikiQA-daF172.2%
SummarizationNordjylland NewsBERTScore65.2%
Common SenseHellaSwag-daMCC67.7%
KnowledgeDanish Citizen TestsMCC79.3%
IdiomsDanske TalemåderMCC64.9%

Swedish (8-bit)

TaskDatasetMetricScore
SentimentSweReCMCC34.5%
NERSUC3F165.0%
Reading ComprehensionMultiWikiQA-svF172.4%
SummarizationSweDNBERTScore65.9%
Common SenseHellaSwag-svMCC58.3%
KnowledgeMMLU-svMCC53.9%
European ValuesVaLEU-svMCC76.9%

Icelandic (8-bit)

TaskDatasetMetricScore
NERMIM-GOLD-NERF163.6%
Reading ComprehensionNQiIF158.6%
SummarizationRRNBERTScore65.1%
KnowledgeIcelandic KnowledgeMCC28.2%
Common SenseWinogrande-isMCC9.7%

Task Performance by Language

Quantization Comparison (Norwegian)

8-bit quantization consistently outperforms 4-bit by ~2% on average.

Task4-bit8-bitDelta
Sentiment (NoReC)49.7%51.0%+1.3%
NER Bokmål65.1%65.7%+0.6%
NER Nynorsk69.9%71.0%+1.1%
Reading Comp58.9%61.2%+2.3%
Summarization63.1%63.4%+0.3%
Common Sense68.5%69.3%+0.8%
Linguistic Accept.29.8%36.4%+6.6%

8-bit vs 4-bit Quantization

Strengths & Limitations

Strengths

  • Named Entity Recognition: Consistently strong across all languages (63-71% F1)
  • Reading Comprehension: Excellent for Danish and Swedish (72%+)
  • Knowledge Tasks: Outstanding on Danish Citizen Tests (79.3%)
  • Summarization: Stable 63-66% BERTScore across all languages

Limitations

  • Linguistic Acceptability: Grammatical judgment tasks are weak (10-36% MCC)
  • Icelandic Common Sense: Winogrande-is performance is low (9.7%)
  • Norwegian Idioms: Room for improvement (17-19% MCC)

Quantization Options

VariantSizeQualityUse Case
bfloat16~60GBBestResearch, high-end GPUs
8-bit~30GB~1-2% lossProduction (A10/L4 GPU)
4-bit~16GB~3-5% lossCost-optimized (T4 GPU)

Usage

Basic Inference

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "bineric/lynx-instruct-30b",
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained("bineric/lynx-instruct-30b")

messages = [
    {"role": "user", "content": "Hva er hovedstaden i Norge?"}
]

text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(text, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=512)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

With Thinking Mode

Lynx supports extended thinking for complex reasoning tasks:

messages = [
    {"role": "user", "content": "Forklar forskjellen mellom bokmål og nynorsk."}
]

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True  # Enable reasoning mode
)

vLLM Deployment

vllm serve bineric/lynx-instruct-30b \
    --tensor-parallel-size 1 \
    --max-model-len 32768 \
    --quantization awq  # For 4-bit

Model Architecture

Qwen3 MoE Architecture
├── Total Parameters: 30.5B
├── Active Parameters: ~3B per token
├── Hidden Layers: 48
├── Hidden Size: 2048
├── Attention Heads: 32
├── KV Heads: 4 (Grouped Query Attention)
├── Experts: 128 total
├── Active Experts: 8 per token
├── Vocab Size: 151,936
└── Context Length: 262,144 tokens

Training

Lynx is fine-tuned from Qwen3-30B-A3B-Instruct with additional training on Nordic language data to improve performance on Norwegian, Swedish, Danish, and Icelandic tasks.

Citation

@misc{bineric2026lynx,
  title={Bineric Lynx: A European Large Language Model},
  author={Bineric AI},
  year={2026},
  publisher={Hugging Face},
  url={https://huggingface.co/bineric/lynx-instruct-30b}
}

Links


Built with care in Oslo by Bineric

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3MoeForCausalLM
Ревизия весов
41b77af

0 моделей