/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Своя лицензия
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-4B
Библиотека
transformers
Опубликована
3 окт 2026

ezjev-4b-s2

Изображение и текст → текст

Дообученная мультимодальная модель Qwen3.5-4B, которая выдаёт вероятности вариантов для структурированных задач выбора и оценки в формате Jev.

190скачиваний за 30 дней1лайквеса обновлены6 окт 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

ezjev-4b-s2 — мультимодальная модель для структурированных решений в формате Jev, разработанная EverettJF и дообученная на базе Qwen/Qwen3.5-4B. Она отвечает на вопросы типов choice, noul и score, выдавая вероятности для вариантов за один проход модели. Веса LoRA объединены с базовой моделью; обучение проходило в два этапа на публичных наборах данных и программно сгенерированных примерах.

Модель предназначена для выбора ответа среди вариантов, оценки релевантности и других задач классификации или проверки утверждений, в том числе с контекстом из RAG, выбором результатов кода, клиническим NLI и выявлением фишинговых писем. Она принимает текст и изображения; архитектура Qwen3.5-4B поддерживает диалог и обработку изображений. Для обслуживания в README приведена конфигурация с максимальным контекстом 131072 токена. В Decision Index 0.3 модель заняла 35-е место из 111 и показала лучший результат среди моделей размером до 5 млрд параметров.

README рекомендует более новую версию ezjev-4b-s3 для новых задач; этот чекпойнт сохранён для воспроизведения прогона Decision Index. Лицензия модели указана как other. В README также отмечено, что среди источников обучающих данных есть наборы с некоммерческими или неуказанными лицензиями, поэтому перед коммерческим использованием следует проверить права на данные.

Сценарии применения

  • выбор наиболее вероятного ответа из нескольких вариантов
  • оценка релевантности товара запросу
  • проверка ответов RAG на галлюцинации
  • выбор подходящего результата выполнения кода
  • проверка утверждений и клинический NLI
  • распознавание фишинговых писем

Ограничения

README рекомендует использовать более новую версию ezjev-4b-s3 для новых задач. В обучающих данных есть источники с некоммерческими или неуказанными лицензиями; перед коммерческим применением нужно проверить условия использования данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ezjev-4b-s2

Project page: xnu.app/ezjev — overview, downloads and a step-by-step quickstart. Code: github.com/everettjf/ezjev (MIT). A newer checkpoint, ezjev-4b-s3, is recommended for new use; this one is kept for reproducing the Decision Index run.

A typed-decision model (Jev-style /v1/systemone: choice, noul and score questions answered with a probability per option from one forward pass). LoRA fine-tune of Qwen/Qwen3.5-4B, merged into full weights, in two stages:

  1. Stage 1 (ezjev-4b): LoRA r=16 on all language-model linear layers (attention, Gated-DeltaNet, MLP), LR 1e-4, one epoch over ~85k rows / ~106k questions. Loss: cross-entropy + Brier over the option labels, llm2jev chat prompt (thinking off).
  2. Stage 2: a second LoRA at LR 5e-5 on ~30k rows targeting weak task families (RAG hallucination, product relevance, code-output selection, select-all-that-apply, clinical NLI, phishing emails, claim verification) with 40% replay.

Temperature 1.26, fitted by NLL on a held-out dev split.

Decision Index 0.3 (official)

Listed on the Jev Decision Index 0.3 board (2026-10-06): Full score 46.95, #35 of 111, the best of all models ≤ 5B (every entry ranked above it has at least 9B parameters).

Part (weight)Score
Public benchmarks, 37 (20%)50.82
Private tests of the same skills (50%)46.22
Private tasks from new domains (30%)40.73
Full score46.95

For comparison: Jev 1.13.0 scores 60.11 (#3); the next-best 4B entry, vLLM-SR Decision 2.0 Nox 4B, scores 44.95 (#38). Skill scores, 0 = chance. Source: the leaderboard's data/index.json.

Decision Index 0.2.1 (our own run)

51.15: a complete run of the frozen suite, with all 150,759 requests answered and a median latency of 35.5 ms on one RTX PRO 6000. Area skill: knowledge 33.5, language 60.2, retrieval 56.3, tools 69.9, arts 28.8. Run: everettjf/decision-index-results-ezjev-4b-s2.

Serving

pip install "vllm==0.30.0" "llm2jev>=0.6.1"
VLLM_USE_FLASHINFER_SAMPLER=0 vllm serve everettjf/ezjev-4b-s2 --port 8000 --max-logprobs 256 --return-tokens-as-token-ids \
    --max-model-len 131072 --gpu-memory-utilization 0.90 --additional-config '{"gdn_prefill_backend": "triton"}'
llm2jev --model everettjf/ezjev-4b-s2 --backend vllm --url http://127.0.0.1:8000 --port 8080 --temperature 1.26

The VLLM_USE_FLASHINFER_SAMPLER=0 and Triton GDN-prefill settings were used only because the job image had no CUDA toolkit for FlashInfer JIT. They do not change the logprobs llm2jev reads, and you can drop them where nvcc is available.

Training data

All data comes from train or dev splits of public datasets, plus code-generated items whose labels are computed by the generating program. No Decision Index suite rows were used. Every training row was also checked against the suite (exact-segment and 13-gram overlap) and dropped on any match. Sources: MNLI, SNLI, ANLI, BoolQ, BANKING77, CLINC150, MASSIVE, AG News, DBpedia, Yahoo Answers, Emotion, SST-5, TweetEval irony, WinoGrande, HellaSwag, MMLU auxiliary_train, ARC, CommonsenseQA, OpenBookQA, QASC, SciQ, AQuA-RAT, GSM8K, HotpotQA, Glaive function calling v2, SHP, HH-RLHF, ContractNLI, VAST, NLI4CT (SemEval-2024 Task 2), RAGTruth, iSarcasmEval, ACOS, ShARC, Amazon ESCI, GLUE QNLI, SGD (DSTC8), ToolACE, When2Call, Humicroedit, the New Yorker caption contest, and ealvaradob/phishing-dataset URLs.

Code: github.com/everettjf/ezjev.

Licences: some sources are non-commercial (for example ANLI, CC BY-NC 4.0), and some have no stated licence (VAST, NLI4CT, ACOS, Humicroedit). Check the licences before any commercial use.

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
92cc763

0 моделей