Характеристики

Контекст: 262 144 токена
Параметры: 7,2 млрд
Размер весов: 128 ГБ
Лицензия: Apache 2.0
Архитектура: qwen3_5_moe_text · MoE
Базовая модель: Qwen3.5-122B-A10B
Опубликована: 18 сен 2026

Ссылки

Hugging Face

less-is-moe-qwen3.5-122b-a10b-s1-128-seq8192-intdim-g-50

jayzou3773

Генерация текстаТекст → текст4 профессии

Прореженная методом Less-is-MoE версия Qwen3.5-122B-A10B для генерации текста и диалогового общения.

348скачиваний за 30 дней0лайковвеса обновлены18 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Это контрольная точка Qwen3.5-122B-A10B, структурно прореженная методом Less-is-MoE с использованием оценок среднего абсолютного градиента. Автор удалил 50% нейронов FFN маршрутизируемых экспертов, используя 128 калибровочных примеров с последовательностями длиной 8192 токена; оптимизационный шаг не выполнялся. В репозитории опубликованы веса в формате safetensors, загруженные и обработанные в BF16.

Модель предназначена для генерации текста и диалогового общения. В метаданных указаны MoE-архитектура, 7,2 млрд параметров и контекстное окно 262 144 токена; базовая модель Qwen3.5 рассчитана на мультимодальные задачи, однако для этого прореженного текстового чекпойнта подтверждена только генерация текста. Лицензия — Apache-2.0. Карточка не сообщает результаты оценки качества после прореживания, поэтому пригодность для конкретных задач требует проверки.

Сценарии применения

генерация ответов в диалоговом ассистенте
создание и продолжение текстов
эксперименты с прореживанием MoE-моделей
оценка влияния сокращения нейронов экспертов на генерацию

Ограничения

В README не приведены оценки качества после удаления 50% нейронов FFN маршрутизируемых экспертов. Калибровка выполнена на 128 примерах с длиной последовательности 8192 токена, что может ограничивать сохранение исходных возможностей модели.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель I.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

IntDim-G 50% pruned Qwen/Qwen3.5-122B-A10B

This checkpoint was structurally pruned with the released Less-is-MoE mean-absolute-gradient method. It removes exactly 50% of routed-expert FFN neurons using 128 calibration samples from yentinglin/s1K-1.1-trl-format revision 58a01564d278477da20ead1bcf1cde8e31f36251. The released loader settings are preserved: train, messages, shuffle_seed=1234, seq_length=8192, prefix truncation, no padding, and BF16, with no optimizer step. The exact model-specific token tensors are published at jayzou3773/less-is-moe-s1-calibration-128-seq8192 revision 678b4e666183e16ec00376960df03b6381632ed1. The source checkpoint was loaded and pruned in BF16.

The source-row selection hash is f261e952d4e6d5dec6d37db4ab22636761b215281d33896060fe4467bb352784 and the model-specific token-file hash is 47214818e5c0acaa6e65d3f212f7fab62937a4085d26394c356e3be1c94fffbf. Full export and zero-mask equivalence metadata are in experiment-export.json.

Inference requires the Less-is-MoE ragged vLLM plugin from the unified Less-is-MoE GPU image. IntDim-E has one uniform expert width. IntDim-L/G retain the routed MoE topology and store compact per-expert widths in config.json.

Как запустить

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

GPU в ailist

vLLM

Нельзя запустить

Модели нужен vLLM (несколько GPU), но архитектура RaggedQwen3_5MoeForCausalLM ему неизвестна.

Класс архитектуры: RaggedQwen3_5MoeForCausalLM
Ревизия весов: 16ef1a9