/ 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-SF-K16

Генерация текстаТекст → текст3 профессии

Плотная модель Qwen3, полученная pruning и дистилляцией MoE-учителя для исследований методов сжатия и сравнения экспертов.

94скачиваний 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-SF-K16 — плотная языковая модель, созданная из MoE-модели Qwen/Qwen3-30B-A3B методом pruning и дистилляции. Это исследовательский артефакт для воспроизведения экспериментов по сжатию MoE-моделей и сравнению методов оценки и группировки экспертов; вариант SF использует оценку частоты выбора экспертов и объединение с K=16. В README указано 3,34 млрд параметров, тогда как метаданные каталога указывают 2,6 млрд; контекст модели — 40 960 токенов.

Модель генерирует текст и поддерживает диалоговый формат, однако не проходила инструкционную настройку или выравнивание и не предназначена для использования как готовый помощник. Обучение студента проводилось примерно на 4 млрд токенов FineWeb-Edu — фиксированном ограниченном бюджете для сопоставления методов, поэтому качество значительно ниже модели-учителя и предварительно обученных моделей схожего размера. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0.

Сценарии применения

  • воспроизведение экспериментов по сжатию MoE-моделей
  • сравнение методов оценки важности экспертов
  • оценка генерации текста на стандартных языковых бенчмарках

Ограничения

Модель обучалась на ограниченном бюджете около 4 млрд токенов, поэтому её качество заметно ниже учителя и предварительно обученных моделей схожего размера. Она не проходила инструкционную настройку или выравнивание и не подходит как готовый диалоговый 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-SF-K16

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

Prior-work baseline: selection frequency scoring, the importance metric used by earlier MoE compression work, with K=16 merging.

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 scoringSF
Experts kept (K)16
Groupingweight clustering (WC)
Down-projection scalinguniform

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("jhyuckkim/Qwen3-30B-A3B-Dense-3B-SF-K16", dtype="bfloat16")
tok = AutoTokenizer.from_pretrained("jhyuckkim/Qwen3-30B-A3B-Dense-3B-SF-K16")

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
d844a81

0 моделей