/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.8-max-Reasoning-Distilled
Опубликована
31 авг 2026

Qwen3.8-max-Reasoning-Distilled-GGUF

Изображение и текст → текст15 профессий

Qwen3.8-max-Reasoning-Distilled-GGUF — компактная языковая модель, разработанная khazarai и созданная методом дистилляции знаний из Qwen3.8-max.

4 547скачиваний за 30 дней8лайковвеса обновлены19 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

Модель предназначена для задач рассуждения, включая анализ вариантов, решение вопросов из разных предметных областей и генерацию структурированных ответов. Формат GGUF ориентирован на использование с llama.cpp, а тег vision-language-model и pipeline image-text-to-text указывают на поддержку сценариев работы с изображениями и текстом, однако подробности о реализации визуального ввода в README не приведены.

Ключевая особенность модели — оптимизированная цепочка рассуждений: она стремится выдавать линейную, последовательную и решительную логику, сокращая повторные проверки, колебания и циклы «переобдумывания». Благодаря дистилляции модель рассчитана на более эффективный инференс с меньшим числом генерируемых токенов при сохранении качества ответов. Размер архитектуры, объём параметров, максимальная длина контекста и полный набор поддерживаемых языков не указаны; явно заявлен английский язык.

Модель может быть полезна там, где важны компактность, скорость и экономный расход токенов. Ограничением является то, что для чрезвычайно сложных многошаговых математических задач может потребоваться явный запрос на пошаговые промежуточные вычисления. Результаты следует проверять при использовании в медицинских, юридических и финансовых сценариях. Указанная лицензия — Apache-2.0.

Для каких профессий подходит15

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3.8-max-Reasoning-Distilled

alt="General Benchmark Comparison Chart"

  • Benchmark: khazarai/Multi-Domain-Reasoning-Benchmark
  • Total Questions: 100
ModelScore
khazarai/Qwen3-4B-Qwen3.6-plus-Reasoning-Distilled48.18
Qwen/Qwen3.5-0.8B45.82

Qwen3.8-max-Reasoning-Distilled is a compact, high-efficiency language model fine-tuned using Knowledge Distillation from Qwen3.8-max.

It specifically addresses the common issue of overthinking loops and repetitive hesitations found in smaller raw reasoning models. By learning directly from high-quality reasoning traces, this model delivers concise, structured, and decisive Chain-of-Thought (CoT) outputs without wasting tokens on circular verification.

Key Features

  • Streamlined Chain-of-Thought (CoT): Replaces verbose, rambling reasoning paths with direct, step-by-step logic.

  • Elimination of Overthinking: Suppresses repetitive inner monologue loops (e.g., "Wait, let me re-verify...") that consume unnecessary tokens.

  • Higher Inference Efficiency: Drastically reduces total generated token count while maintaining or improving final answer accuracy.

  • Distilled Logic from Qwen3.8-max: Captures the complex evaluation heuristics of the teacher model into a smaller, faster student architecture.

Reasoning Quality Comparison

Below is a comparison highlighting how distillation improves reasoning structure and eliminates repetitive loops:

FeatureQwen3.5-0.8BQwen3.8-max-Reasoning-Distilled
Logic FlowFrequent self-doubt, circular checks, hesitationLinear, structured, and hypothesis-driven
Token EconomyHigh token overhead spent on repetitive verificationLow token overhead with concise step evaluation
Option AnalysisReiterates choices multiple times without decidingEvaluates each option once with clear justification
Decision SpeedSlow convergence to final answerFast, decisive output generation

Example Trace

Task: Identify the beneficial effect of carpooling from multiple choice options.

  • Qwen3.5-0.8B: "Evaluate option D... wait, let me check option E... actually, let me re-evaluate D... wait, is there a trick? Let me double-check..." (Overthinking Loop)
  • Qwen3.8-max-Reasoning-Distilled: "Systematically evaluates choices A through H in a single pass $\rightarrow$ identifies option D as the primary environmental benefit $\rightarrow$ concludes decisively." (Clean & Direct)

Limitations

While the model minimizes overthinking, extremely complex multi-step mathematical problems may still require prompting for explicit scratchpad steps. Always verify outputs when using the model for domain-critical tasks (e.g., medical, legal, or financial decisions).

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
bfbfddc

0 моделей