/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
3,7 млрд
Лицензия
CC BY 4.0
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
8 мая 2026

Orthrus-Qwen3-4B

Генерация текстаТекст → текст6 профессий

Orthrus-Qwen3-4B — модель генерации текста на базе Qwen3 с параллельным декодированием для ускорения диалогов и других задач генерации.

74скачиваний за 30 дней9лайковвеса обновлены16 мая 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

Orthrus-Qwen3-4B — языковая модель для генерации текста, построенная на базе Qwen3 и разработанная в рамках проекта Orthrus. Она объединяет авторегрессионную языковую модель с параллельной диффузионной головой: базовые веса заморожены, а дополнительный модуль обучен для ускорения генерации. В карточке указано 3,7 млрд параметров и контекст до 40 960 токенов.

Модель предназначена для генерации текста и диалоговых сценариев. По заявлению разработчиков, механизм согласования сохраняет распределение предсказаний базовой модели, а параллельное декодирование ускоряет генерацию до 7,8 раза; дополнительная нагрузка на KV-кэш описана как постоянная. Эти результаты заявлены в карточке и не сопровождаются подробными условиями измерения. Для запуска требуется поддержка пользовательской архитектуры Orthrus в Transformers и FlashAttention, а также параметр trust_remote_code=True. Лицензия — CC BY 4.0.

Сценарии применения

  • ускоренная генерация продолжений текста
  • ответы в диалоговом интерфейсе
  • генерация текста с длинным контекстом
  • сравнение параллельного и авторегрессионного декодирования

Ограничения

Для запуска нужны Transformers с поддержкой пользовательской архитектуры Orthrus и FlashAttention, а также включение trust_remote_code=True. Заявленные ускорение и сохранение распределения предсказаний приведены в README без подробных условий измерения.

Для каких профессий подходит6

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

Orthrus-Qwen3-4B

Paper | GitHub

Orthrus is a simple and efficient dual-architecture framework that unifies the exact generation fidelity of autoregressive Large Language Models (LLMs) with the high-speed parallel token generation of diffusion models. By augmenting a frozen pre-trained LLM with a lightweight, trainable diffusion module, Orthrus delivers significantly accelerated inference without sacrificing output quality.

Key Features

  • Significant Inference Acceleration: Breaks the sequential bottleneck of standard autoregressive decoding, delivering up to a $7.8\times$ speedup on generation tasks.
  • Strictly Lossless Generation: Employs an exact intra-model consensus mechanism to guarantee that the output matches the original base model's exact predictive distribution.
  • Zero Redundant Memory Overhead: Both the autoregressive and diffusion views attend to the exact same high-fidelity Key-Value (KV) cache natively, resulting in only an $O(1)$ memory cache overhead.
  • Parameter Efficient: Parallel generation capabilities are injected by fine-tuning only 16% of the total model parameters while keeping the base LLM strictly frozen.

Installation

Ensure you have transformers, torch, and flash-attention installed. We used torch==2.10 and transformers==5.8.0.

How to Get Started

Use the following code to run inference with the model. Ensure your environment supports FlashAttention and you are passing trust_remote_code=True to load the custom Orthrus architecture.

from transformers import AutoModelForCausalLM, AutoTokenizer, TextStreamer
import torch

MODEL_PATH = "chiennv/Orthrus-Qwen3-4B"

# Load the model and tokenizer
model = AutoModelForCausalLM.from_pretrained(
    MODEL_PATH, 
    dtype=torch.bfloat16, 
    device_map="cuda", 
    attn_implementation="flash_attention_2", # options: sdpa | eager | flash_attention_4
    trust_remote_code=True # Note: trust_remote_code=True is required
).eval()
tokenizer = AutoTokenizer.from_pretrained(MODEL_PATH)

prompt = "Write a program to count the frequency of each word in a paragraph."
messages = [
    {"role": "system", "content": ""},
    {"role": "user", "content": prompt}
]

input_ids = tokenizer.apply_chat_template(
    messages, 
    tokenize=True,
    enable_thinking=False,
    add_generation_prompt=True, 
    return_tensors="pt",
).input_ids

# Generate text natively utilizing parallel diffusion projection
output_ids = model.generate(
    input_ids=input_ids.to(model.device), 
    max_new_tokens=2048,
    use_diffusion_mode=True, 
    streamer=TextStreamer(tokenizer, skip_prompt=True) # enable streaming
)

Citation

If you find this model or architecture useful in your work, please cite the original paper:

@misc{vannguyen2026orthrusmemoryefficientparalleltoken,
      title={Orthrus: Memory-Efficient Parallel Token Generation via Dual-View Diffusion}, 
      author={Chien Van Nguyen and Chaitra Hegde and Van Cuong Pham and Ryan A. Rossi and Franck Dernoncourt and Thien Huu Nguyen},
      year={2026},
      eprint={2605.12825},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2605.12825}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
OrthrusLM
Ревизия весов
cd93cb3

0 моделей