/ Модель

Характеристики

Контекст
262 144 токена
Параметры
376 млн
Лицензия
MIT
Архитектура
qwen3_5_moe_text · MoE
Базовая модель
Qwen3.8-2.4T-A95B
Библиотека
transformers
Опубликована
12 авг 2026

Qwen3.8-1.0B-A0.6B

Генерация текстаТекст → текст3 профессии

Компактная экспериментальная версия текстовой MoE-модели Qwen для проверки загрузки, генерации и разработки на базе Transformers.

3 973скачиваний за 30 дней6лайковвеса обновлены12 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 «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

Qwen3.8-1.0B-A0.6B — компактная текстовая MoE-модель для генерации текста и диалогов, созданная как уменьшенная версия Qwen/Qwen3.8-2.4T-A95B для тестирования и разработки. В README указано около 0,97 млрд параметров, из которых активируется примерно 0,6 млрд; метаданные каталога сообщают 375,9 млн параметров. Архитектура Qwen3_5MoeForCausalLM использует гибридное внимание: шесть линейных и два полных слоя. Контекст — 262 144 токена. Модель загружается через Transformers из файла safetensors.

Размеры слоёв и скрытого состояния сокращены относительно базовой модели, удалены MTP-слои, а модель дообучена на игрушечном наборе данных. В README сообщается perplexity около 1,0 и проверка загрузки и генерации; эти сведения не подтверждают качество на широком круге практических задач. Модель предназначена прежде всего для тестирования и разработки, а не представлена как полноценная замена большой базовой модели. Лицензия — MIT.

Сценарии применения

  • проверка загрузки моделей Qwen через Transformers
  • тестирование генерации текста в небольшом MoE-чекпойнте
  • разработка и отладка кода для архитектуры Qwen3_5MoeForCausalLM

Ограничения

README позиционирует модель как уменьшенную версию для тестирования и разработки; обучение описано как выполненное на игрушечном наборе данных, поэтому качество на реальных задачах не установлено. Размер параметров расходится между README (около 0,97 млрд) и метаданными каталога (375,9 млн).

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

Qwen3.8-1.0B-A0.6B

This is a tiny version of Qwen/Qwen3.8-2.4T-A95B created for testing and development.

Model Details

  • Base Model: Qwen/Qwen3.8-2.4T-A95B
  • Architecture: qwen3_5_moe_text (Qwen3_5MoeForCausalLM)
  • Total Parameters: 0.97B
  • Activated Parameters: ~0.6B

Configuration Changes

The following parameters were reduced from the original model:

ParameterOriginalTiny
num_hidden_layers928
hidden_size81921024
num_attention_heads648
num_key_value_heads42
head_dim256128
num_experts51216
num_experts_per_tok102
moe_intermediate_size20481024
shared_expert_intermediate_size20481024
linear_key_head_dim12864
linear_num_key_heads164
linear_num_value_heads12816
linear_value_head_dim12864
mtp_num_hidden_layers10

Checkpoint Structure

Single safetensors file with packed expert format (experts.gate_up_proj, experts.down_proj) matching the original checkpoint structure. Layer types follow the [linear, linear, linear, full] x 2 pattern from the original.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("Qwen3.8-1.0B-A0.6B", device_map="auto")
tokenizer = AutoTokenizer.from_pretrained("Qwen3.8-1.0B-A0.6B")

input_ids = tokenizer("According to all known laws", return_tensors="pt").input_ids.to(model.device)
output = model.generate(input_ids, max_new_tokens=20)
print(tokenizer.decode(output[0]))

Creation Process

This model was created using the llm-compressor create-tiny-model claude skill.

  1. Inspected the original 2.4T parameter MoE model configuration
  2. Reduced all dimensions to create a ~1B parameter model while preserving the hybrid linear/full attention architecture
  3. Fine-tuned on a toy dataset to achieve perplexity ~1.0
  4. Converted checkpoint format to match the original (packed experts, correct tensor naming)
  5. Validated model loading and generation

Notes

  • The model preserves the hybrid attention pattern: 6 linear attention layers and 2 full attention layers in a [linear, linear, linear, full] x 2 pattern
  • MTP (multi-token prediction) layers are removed (mtp_num_hidden_layers=0) as they are not needed for the tiny model
  • Expert weights use the packed format (gate_up_proj fused, stacked across experts) matching the original checkpoint

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_5MoeForCausalLM
Ревизия весов
36531b2

0 моделей