/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-4B-Instruct-2507
Библиотека
litert-lm
Опубликована
4 июн 2026

Qwen3-4B-Instruct-2507

Генерация текстаТекст → текст7 профессий

Qwen3-4B-Instruct-2507 LiteRT-LM — это оптимизированный для локальной генерации текста вариант модели Qwen3-4B-Instruct-2507, разработанный сообществом LiteRT-LM на основе чекпойнта Qwen.

3 103скачиваний за 30 дней4лайкавеса обновлены3 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 запуска непосредственно на устройствах, включая настольные GPU и Android-смартфоны, через runtime LiteRT-LM и подходящие GPU- или CPU-бэкенды. Указанный сценарий применения — текстовая генерация и интеграция в продукты с on-device AI.

Доступный артефакт имеет размер около 2536 MiB и поддерживает контекст длиной 2048 токенов. Он использует смешанное квантование: веса подходящих линейных проекций представлены в blockwise INT4 с размером группы 32, эмбеддинги токенов — в weight-only INT8, а нормализации, операции редукции и KV-кэш сохраняются в формате с плавающей точкой. Для выполнения внимания и работы с кэшем применяются StableHLO composite ops LiteRT-LM. В README заявлен английский язык; другие языки не указаны.

Сильными сторонами являются уменьшенный размер, возможность локального запуска и высокая производительность на совместимом GPU: в приведённых измерениях на Samsung Galaxy S26 достигнуты примерно 306 токенов/с на этапе prefill и 19,9 токена/с при декодировании, при этом пиковое потребление памяти составило около 1,53 ГБ. Производительность и потребление памяти зависят от устройства, версии runtime, бэкенда, термального состояния и настроек. Ограничениями являются контекст в 2048 токенов, необходимость совместимого LiteRT-LM окружения и заметное время инициализации GPU. Модель распространяется по лицензии Apache-2.0.

Для каких профессий подходит7

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

Qwen3-4B-Instruct-2507 LiteRT-LM Model

This repository contains LiteRT-LM variants of Qwen/Qwen3-4B-Instruct-2507 optimized for on-device text generation.

Available Artifacts

FileQuantizationContextSize
qwen3_4b_instruct_2507_mixed_int4.litertlmTorchAO mixed INT4, float KV20482535.88 MiB

Conversion Notes

The mixed INT4 .litertlm artifact was produced with a TorchAO-based quantize-first recipe from the original Hugging Face checkpoint. This is a mixed quantization layout rather than a uniform all-INT4 model: eligible linear projection weights are stored as blockwise INT4 with group size 32 and floating-point scales, token embedding weights use weight-only INT8 quantization, and normalization/reduction paths plus KV cache tensors remain floating point.

The mixed INT4 bundle also uses LiteRT-LM StableHLO composite ops for attention/cache execution, including odml.runtime_bmm and odml.cache_update.

Performance

Desktop benchmark: AMD Radeon AI PRO R9700, LiteRT-LM WebGPU, 256 prefill tokens, 32 decode tokens. Android rows use LiteRT-LM v0.13.1 with GPU OpenCL, 256 prefill tokens, and 64 decode tokens. Values report the warmed iteration from a two-iteration run unless noted.

Hardware benchmark disclosure: Results were measured by us on retail devices purchased through normal channels. These results are not affiliated with, sponsored by, endorsed by, or verified by Samsung, vivo, Qualcomm, MediaTek, Google, MLCommons, or Hugging Face. Results depend on device SKU, OS build, thermal state, battery mode, backend, model quantization, runtime version, and benchmark settings.

Device / BackendPrefill (tok/s)Decode (tok/s)TTFT (s)Peak Private Footprint
Desktop GPU WebGPU1324.75100.750.201697 MB
Samsung SM-S937U1 GPU OpenCL375.6718.510.741587 MB
vivo V2502A GPU OpenCL174.1212.601.554720 MB
TECNO LJ9 GPU OpenCL102.579.652.604903 MB

Galaxy S26 — GPU vs CPU (litert-lm 0.16.0, community measurement)

A different runtime release and device generation than the table above (v0.13.1), so compare within one table, not across. Physical Samsung Galaxy S26 (SM-S942Q, Snapdragon 8 Elite Gen 5 / SM8850, Android 16), litert_lm_advanced_main from the litert-lm v0.16.0 release, GPU backend OpenCL (LITERT_CL), one fixed 205-token prompt text (203 tokens under this tokenizer), --benchmark. Two runs per backend taken back-to-back — cells show the range. Peak RSS is the process VmHWM. Before quoting, the file was run on each backend with a real prompt and both produced a correct text answer; the GPU rows are full delegation (1753/1753 and 1680/1680 ops on LITERT_CL, nothing on the CPU fallback).

BackendPrefill (203 tok)DecodeTime-to-first-tokenInitPeak RSS
GPU (OpenCL)305.7–306.2 tok/s19.87–19.88 tok/s0.71 s15.6–21.4 s1533–1534 MB
CPU (XNNPACK)46.1–55.6 tok/s8.4–9.2 tok/s3.8–4.5 s2.6–3.5 s4582–6093 MB

What the table says:

  • At 4B the GPU leads every runtime column by a wide margin: prefill 5.5–6.6×, decode 2.2–2.4× (19.9 against 8.4–9.2 tok/s), time-to-first-token 0.71 s against ~4 s.
  • Peak RSS decides deployability: 1.53 GB on the GPU against 4.6–6.1 GB on the CPU — on most phones the CPU path pressures the memory killer, the GPU path does not.
  • The two GPU runs agree to three digits — this bundle holds its clock across back-to-back runs. GPU engine init is the one cost the table hides: 16–21 s per process, against 2.6–3.5 s on CPU.

Try It

Install uv and run:

uv tool install litert-lm
uvx litert-lm run --from-huggingface-repo=litert-community/Qwen3-4B-Instruct-2507 qwen3_4b_instruct_2507_mixed_int4.litertlm --prompt="What is the capital of France?"

Integration

Ready to integrate this into your product? Get started in the LiteRT-LM documentation.

Citation

@misc{qwen3technicalreport,
      title={Qwen3 Technical Report},
      author={Qwen Team},
      year={2025},
      eprint={2505.09388},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2505.09388},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · litert-lm

Нельзя запустить

Библиотека «litert-lm» рантаймом не поддерживается.

Ревизия весов
4d40977

0 моделей