/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
2,6 млрд
Размер весов
6,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-30B-A3B
Библиотека
transformers
Опубликована
31 авг 2026

Qwen3-30B-A3B-Dense-3B-DO-ACP-K8

Генерация текстаТекст → текст3 профессии

Плотная дистиллированная версия Qwen3 для воспроизведения экспериментов по прореживанию MoE-моделей и сравнению методов группировки экспертов.

93скачиваний за 30 дней0лайковвеса обновлены31 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

Qwen3-30B-A3B-Dense-3B-DO-ACP-K8 — плотная языковая модель примерно на 2,6 млрд параметров по метаданным (в README указан размер студента 3,34 млрд). Её разработали как исследовательский артефакт для воспроизведения экспериментов по прореживанию и дистилляции Mixture-of-Experts-моделей в плотные модели. Студент создан на основе Qwen/Qwen3-30B-A3B методом DO-ACP с K=8 и обучен на примерно 4 млрд токенов FineWeb-Edu; доступен в формате safetensors для Transformers.

Модель предназначена для сравнения методов оценки и группировки экспертов в экспериментальных исследованиях. Она генерирует текст и поддерживает контекст до 40 960 токенов. В README приведены результаты на Winogrande, HellaSwag, ARC и MMLU; конфигурация DO-ACP, K=8 показала среднее 58,10 по этим пяти тестам.

Качество существенно ниже модели-учителя и сопоставимых предварительно обученных моделей того же размера; инструкция и выравнивание поведения не применялись. Поэтому модель не подходит как готовый универсальный помощник. Лицензия — Apache-2.0.

Сценарии применения

  • воспроизведение экспериментов по дистилляции MoE-моделей
  • сравнение методов оценки и группировки экспертов
  • оценка языковых моделей на Winogrande, HellaSwag, ARC и MMLU

Ограничения

Качество значительно ниже модели-учителя и предварительно обученных моделей сопоставимого размера; модель не проходила инструкционное дообучение и выравнивание. README предупреждает, что это исследовательский артефакт, не предназначенный для использования как готовый универсальный помощник.

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

Qwen3-30B-A3B-Dense-3B-DO-ACP-K8

Research artifact, not a general-purpose model. These weights are released so that the experiments in the paper Pruning and Distilling Mixture-of-Experts into Dense Language Models can be reproduced. Each student is distilled on a fixed, small token budget (~4B tokens for Qwen3, 0.3B tokens for DeepSeek-V2-Lite and GPT-OSS) purely so that expert scoring and grouping methods can be compared under an equal budget. Absolute quality is therefore far below the teacher and below pretrained models of the same size, and no instruction tuning or alignment was applied. Please do not use this as an off-the-shelf assistant.

What this is

A dense student obtained by pruning and distilling a Mixture-of-Experts teacher, from the paper Pruning and Distilling Mixture-of-Experts into Dense Language Models. Code: https://github.com/krafton-ai/moe-to-dense

This is the main student of the paper and the best configuration found in the full scoring x grouping sweep.

Results

Full comparison group for this architecture, extended training after ~4B tokens (paper Table 6). This model's row is in bold, and rows whose weights are also released link to them.

ConfigurationWinoHellaARC-EARC-CMMLUAvg
DO-ACP, K=863.160.375.645.446.158.10
SF, K=1661.256.374.043.132.753.46
D2D pruning (Qwen3-32B to 3.4B)60.557.573.141.526.651.84
Random FFN + teacher attn54.445.466.034.227.145.44
Qwen3-1.7B (pretrained reference)66.167.181.955.562.666.63
Qwen3-4B (pretrained reference)72.075.886.264.673.174.34

Downstream accuracy is Winogrande 5-shot, HellaSwag 10-shot, ARC-Easy 25-shot, ARC-Challenge 25-shot and MMLU 5-shot. Avg is the unweighted mean of the five benchmarks.

Configuration

FieldValue
TeacherQwen/Qwen3-30B-A3B
Student parameters3.34B
Distillation dataFineWeb-Edu (sample-10BT), ~4B tokens
Expert scoringDO-ACP
Experts kept (K)8
Groupingpure pruning (K equals the teacher's top-k, one expert per group)
Down-projection scalinguniform

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("jhyuckkim/Qwen3-30B-A3B-Dense-3B-DO-ACP-K8", dtype="bfloat16")
tok = AutoTokenizer.from_pretrained("jhyuckkim/Qwen3-30B-A3B-Dense-3B-DO-ACP-K8")

The student is a standard Qwen3ForCausalLM, so it loads with stock transformers and runs in vLLM without extra code.

Citation

@article{kim2026pruning,
  title={Pruning and Distilling Mixture-of-Experts into Dense Language Models},
  author={Kim, Junhyuck and Yun, Jihun and Kim, Haechan and Kim, Gyeongman and Bae, Joonghyun and Cho, Jaewoong},
  journal={arXiv preprint arXiv:2605.28207},
  year={2026}
}

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
2337362

0 моделей