/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
494 млн
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-0.5B-Instruct
Библиотека
transformers
Опубликована
31 янв 2025

DeepReasoning_1R

Генерация текстаТекст → текст4 профессии

Компактная дообученная модель Qwen2.5 для диалогов, генерации текста и задач на рассуждение.

2 465скачиваний за 30 дней2лайкавеса обновлены3 окт 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

DeepReasoning_1R — компактная диалоговая языковая модель компании Convergent Intelligence LLC, относящаяся к исследовательскому портфелю компании. Это дообученная версия Qwen2.5-0.5B-Instruct с архитектурой Qwen2ForCausalLM и 494 млн параметров. Модель работает с текстом и предназначена для диалогов и генерации ответов; теги карточки указывают на фокус на рассуждениях. Она загружается через Transformers, распространяется в формате safetensors и поддерживает контекст до 32 768 токенов.

Модель подходит для экспериментов с компактными диалоговыми и инструктивными моделями, а также для генерации текста в приложениях с ограниченными ресурсами. Карточка связывает обучение с набором HumanLLMs/Human-Like-DPO-Dataset. Подробные оценки качества и конкретные ограничения в README не приведены. Условия лицензии в предоставленных данных не указаны.

Сценарии применения

  • ответы на пользовательские вопросы в диалоге
  • генерация ответов на текстовые инструкции
  • эксперименты с компактными моделями для рассуждений

Ограничения

Карточка не содержит оценок качества или подробного описания ограничений модели. Лицензия в предоставленных данных не указана.

Для каких профессий подходит4

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

Convergent Intelligence Portfolio

Part of the Standalone Models by Convergent Intelligence LLC: Research Division

Related Models

ModelDownloadsFormat
SMOLM2Prover56HF
SMOLM2Prover-GGUF150GGUF
SAGI3HF
S-AGI0HF

Top Models from Our Lab

ModelDownloads
Qwen3-1.7B-Thinking-Distil501
LFM2.5-1.2B-Distilled-SFT342
Qwen3-1.7B-Coder-Distilled-SFT302
Qwen3-0.6B-Distilled-30B-A3B-Thinking-SFT-GGUF203
Qwen3-1.7B-Coder-Distilled-SFT-GGUF194

Total Portfolio: 41 models | 2,781 total downloads

Last updated: 2026-03-28 12:56 UTC


From the Convergent Intelligence Portfolio

DistilQwen Collection — Our only BF16 series. Proof-weighted distillation from Qwen3-30B-A3B → 1.7B and 0.6B on H100. Three teacher variants (Instruct, Thinking, Coder), nine models, 2,788 combined downloads. The rest of the portfolio proves structure beats scale on CPU. This collection shows what happens when you give the methodology real hardware.

Top model: Qwen3-1.7B-Coder-Distilled-SFT — 508 downloads

Full methodology: Structure Over Scale (DOI: 10.57967/hf/8165)

Convergent Intelligence LLC: Research Division

Discrepancy Calculus Foundation

This model is part of the Convergent Intelligence LLC: Research Division portfolio. All models in this portfolio are developed under the Discrepancy Calculus (DISC) framework — a measure-theoretic approach to understanding and controlling the gap between what a model should produce and what it actually produces.

DISC treats training singularities (loss plateaus, mode collapse, catastrophic forgetting) not as failures to be smoothed over, but as structural signals that reveal the geometry of the learning problem. Key concepts:

  • Discrepancy Operator (D): Measures the gap between expected and observed behavior at each training step
  • Jump Sets: Boundaries where model behavior changes discontinuously — these are features, not bugs
  • Ghost Imprinting: Teacher knowledge that transfers to student models through weight-space topology rather than explicit distillation signal

For the full mathematical treatment, see Discrepancy Calculus: Foundations and Core Theory (DOI: 10.57967/hf/8194).

Citation chain: Structure Over Scale (DOI: 10.57967/hf/8165) → Three Teachers to Dual Cognition (DOI: 10.57967/hf/8184) → Discrepancy Calculus (DOI: 10.57967/hf/8194)

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
cb216c0

0 моделей