/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,7 млрд
Размер весов
8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B-Base
Библиотека
transformers
Опубликована
20 сен 2026

qwen3-4b-longcot-sft-tail16

Генерация текстаТекст → текст3 профессии

Дообученная Qwen3 на 3,7 млрд параметров для длинных математических рассуждений со сжатием KV-кэша в совместимом serving-пути.

368скачиваний за 30 дней0лайковвеса обновлены20 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

Qwen3-4B long-CoT SFT tail-16 — это дообученная модель drkylj на базе Qwen/Qwen3-4B-Base, предназначенная для генерации длинных цепочек рассуждений при решении математических задач. Модель имеет плотную архитектуру Qwen3ForCausalLM, 3,7 млрд параметров и контекст 32 768 токенов; обучена на длинных математических рассуждениях объёмом 2 млрд токенов. Поддерживается генерация текста в формате диалога.

Сжатие KV-кэша реализуется в serving-пути: после каждого блока из 512 токенов сохраняются 128 обученных кодовых строк и последние 16 исходных KV, что сокращает кэш примерно в 3,6 раза. Для такого поведения нужны CompressLM-оверлей для vLLM, FlashInfer и закреплённый режим FA2 prefill; обычная загрузка через from_pretrained сжатое поведение не обеспечивает. Модель распространяется по лицензии Apache-2.0.

В README приведены результаты pass@1: 29,17 на AIME 2025, 35,42 на AIME 2026 и 86,20 на MATH-500; сравнение с несжатым вариантом показывает небольшое снижение точности, а результаты AIME имеют заметную статистическую неопределённость. Назначение и обучение ориентированы на математику; заявленная схема сжатия требует специальной инфраструктуры и не работает как обычная модель Qwen3.

Сценарии применения

  • решение задач AIME с длинной цепочкой рассуждений
  • решение задач MATH-500
  • генерация длинных математических объяснений
  • обслуживание математической языковой модели с уменьшенным KV-кэшем

Ограничения

Сжатое поведение требует CompressLM-оверлея для vLLM с FlashInfer и FA2 prefill; обычный запуск весов создаёт полный KV-кэш. В приведённых оценках точность немного ниже несжатого SFT-варианта, а результаты AIME основаны на небольших выборках.

Для каких профессий подходит3

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

Qwen3-4B long-CoT, pause-code compressed with a static raw tail (tail-16)

Compresses the KV of each completed 512-token block of a long chain-of-thought into 128 learned code rows, and additionally keeps the last 16 raw content KVs of that block permanently beside them — 144 rows per block, a 3.6:1 reduction against the full cache.

Trained from Qwen/Qwen3-4B-Base on long chain-of-thought math, 2.0e9 response tokens.

This is not a drop-in Qwen3

Unlike a plain SFT, loading these weights with from_pretrained and generating does not give you the compressed behaviour. You get a Qwen3 with extra code-token embeddings and a full KV cache. The compression lives in the serving path — block-wise code emission, the nested-prefix quota mask and the static tail — not in the weights alone. Reproducing the numbers below needs the CompressLM vLLM overlay, served with FLASHINFER and the FA2 prefill pin (on sm90 FlashInfer's auto backend resolves to FA3 on the first prefill, and FA3 has no custom-mask support, so the first code step fails).

compresslm_config.json in this repo records the serving configuration: block_size 512, num_code_tokens 128, retain_tail_kv 16, retain_tail_policy static, code_positions bitrev, packed_kv false.

Evaluation

pass@1 over all passes (equivalently, mean per-generation accuracy). AIME at 8 samples, temperature 0.6 / top-p 0.95 / top-k 20, seed 1234; MATH-500 greedy at 1 sample.

BenchmarkPassespass@1 (all passes)pass@k
AIME 2025829.1753.33
AIME 2026835.4266.67
MATH-500 (greedy)186.20–

Held-out response CE 0.4213.

For reference, under the same protocol the uncompressed full-context SFT of the same base (jackcai1206/qwen3-4b-longcot-sft-vanilla) scores AIME 2025 32.92 and MATH-500 87.4. On 30-problem AIME sets the standard error is about ±6, so the AIME difference is well inside noise; the MATH-500 gap of 1.2 points is the more meaningful comparison.

Precision

Exported bf16 from fp32 master weights, with only the first 128 code rows retained — rows at or above the trained quota are never attended under nested-prefix quotas, and the bit-reversal grid of the first q rows is independent of K. This is the exact artifact the numbers above were measured on.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
1f17a5f

0 моделей