/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
2,6 млрд
Размер весов
6,9 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-32B
Библиотека
transformers
Опубликована
31 авг 2026

Qwen3-32B-Dense-3B-D2D

Генерация текстаТекст → текст3 профессии

Плотная студенческая модель Qwen3, полученная pruning и дистилляцией для воспроизведения экспериментов по сжатию языковых моделей.

98скачиваний 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

Qwen3-32B-Dense-3B-D2D — плотная языковая модель, созданная исследователями как студенческая версия Qwen/Qwen3-32B методом pruning и дистилляции. Она входит в эксперименты по переносу Mixture-of-Experts в плотные модели и служит базовой линией для сравнения сжатия плотной модели при одинаковом бюджете обучения. В README указано 3,44 млрд параметров, а в метаданных — 2,6 млрд; контекст модели составляет 40 960 токенов. Модель принимает текст и генерирует текст; карточка отмечает поддержку диалогового режима, но модель не проходила instruction tuning или выравнивание.

Модель предназначена для воспроизведения экспериментов и сравнения методов pruning и дистилляции, а не для использования как готовый ассистент. Обучение дистилляции использовало около 4 млрд токенов FineWeb-Edu. Авторы предупреждают, что качество существенно ниже качества учителя и предварительно обученных моделей сопоставимого размера. Лицензия — Apache-2.0.

Сценарии применения

  • воспроизведение экспериментов по pruning языковых моделей
  • сравнение дистилляции плотной модели с переносом MoE в плотную архитектуру
  • оценка методов сжатия на языковых бенчмарках

Ограничения

Качество существенно ниже модели-учителя и предварительно обученных моделей сопоставимого размера; модель не проходила instruction tuning или выравнивание и не предназначена для использования как готовый ассистент.

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

Qwen3-32B-Dense-3B-D2D

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

Dense-to-dense (D2D) pruning baseline. Unlike the other students in this collection its teacher is the dense Qwen3-32B, not the MoE Qwen3-30B-A3B. It is included so the MoE-to-dense route can be compared against dense pruning at a matched student size and a matched distillation budget.

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/Qwen3-32B
Student parameters3.44B
Distillation dataFineWeb-Edu (sample-10BT), ~4B tokens

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("jhyuckkim/Qwen3-32B-Dense-3B-D2D", dtype="bfloat16")
tok = AutoTokenizer.from_pretrained("jhyuckkim/Qwen3-32B-Dense-3B-D2D")

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
c114e3c

0 моделей