/ Модель

Характеристики

Контекст
262 144 токена
Параметры
1 млрд
Лицензия
osl-3.0
Архитектура
gemma3_text · dense
Базовая модель
Qwen3-1.7B
Библиотека
transformers
Опубликована
10 ноя 2025

Qemma-Q1.7B

Генерация текстаТекст → текст15 профессий

Компактная гибридная языковая модель для диалогов, следования инструкциям, пошаговых рассуждений, помощи с кодом и анализа.

3 620скачиваний за 30 дней0лайковвеса 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

Qemma-Q1.7B — компактная текстовая языковая модель Convergent Intelligence LLC, представляющая собой слияние весов Gemma 3 (1B) и Qwen3-1.7B без адаптеров. В описании заявлена гибридная архитектура: основа и MLP Gemma 3 сочетаются с механизмом внимания и выходной частью Qwen; используется токенизатор Gemma 3. Модель доступна в формате safetensors и рассчитана на генерацию текста и диалоговое взаимодействие.

Модель предназначена для следования инструкциям, пошаговых рассуждений, помощи с кодом и анализа, а также для дальнейшего дообучения SFT или RLHF. Заявленная длина контекста — 262144 токена; README упоминает масштабирование RoPE на основе YaRN. В метаданных указан английский язык, а среди обучающих наборов — UltraChat 200k и MathInstruct.

Модель может галлюцинировать; автор не рекомендует полагаться на неё при принятии критически важных медицинских, юридических или финансовых решений. Лицензия — OSL-3.0; следует учитывать лицензии исходных моделей и данных.

Сценарии применения

  • ответы на инструкции и вопросы в диалоге
  • пошаговое решение математических задач
  • помощь с написанием и разбором кода
  • анализ и объяснение текстовой информации
  • эксперименты с дальнейшим SFT или RLHF

Ограничения

Модель может выдавать галлюцинации и не предназначена для принятия критически важных медицинских, юридических или финансовых решений. Результаты требуют проверки.

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

Model Card for Qemma-Q-1.7B

Gap Envelope Integral

  • My mathematical formulation to utilize space projections to "measure" the Jump between points of discontinuity found in Non-Differentialable Functions.

Redux

  • This Model underwent an additional merge between Qemma-redux and Qwen3-1.7B, in addition to adding Rope Scaling.

Additionally

  • Fusion Logic was updated to aid per layer fusion and post fusion embedding alignment.
  • Qemma is a HuggingFace-native hybrid model that merges Gemma-3 (1B) and Qwen-3 (1.7B) at the weight level (no adapters).
  • Design: Gemma MLP/body + Qwen attention/head, projected and aligned to Gemma’s hidden size. The model is then SFT-tuned for stepwise reasoning.
  • This variant uses Yarn based Rope Scaling with 1:* Ratio from max_position_embeddings = 242144

Quick start

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_id = "reaperdoesntknow/Qemma-Q1.7B"
tokenizer = AutoTokenizer.from_pretrained(model_id, use_fast=True)
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype=torch.bfloat16).eval()

text = (
    "<|user|>"
    "What makes the sky blue?."
    "<|assistant|>"
    "<think><reasoning_step>"
)

inputs = tokenizer(text, return_tensors="pt", max_length=64, padding='max_length', truncation=True)
inputs = {k: v.to(model.device) for k, v in inputs.items()}

with torch.no_grad():
    model.eval()
    outputs = model.generate(**inputs, max_new_tokens=256, do_sample=True, min_length=32)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

What’s inside

  • Architecture:
  • Gemma-3 backbone (26 layers, hidden 1152, MLP 6912)
  • Qwen-style attention regrouped to Gemma’s 4×256 heads. (head_dim=128, hidden=2048, intermediate_size=6144, num_attn_heads=16, KV heads=8, num_hidd_layers=28)
  • Tokenizer: Gemma-3 tokenizer and chat template (see chat_template.jinja).
  • Training: SFT for instruction following and stepwise reasoning.

Intended use & limitations

Use: research, instruction following, code/help, analysis, further SFT/RLHF. Limits: may hallucinate; not for safety-critical, medical, legal, or financial decisions. Follow dataset/model licenses.

Training procedure

  • ~512 warm-start steps (HuggingFaceH4/ultrachat_200k) ~ A small post fussion training round was done (8 steps): to encourage embedding realignment.
  • ~256 SFT steps with (TIGER-Lab/MathInstruct + HuggingFaceH4/ultrachat_200k)

Framework versions

  • TRL: 0.25.0
  • Transformers: 4.57.1
  • Pytorch: 2.8.0+cpu
  • Datasets: 4.4.1
  • Tokenizers: 0.22.1

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)

Citations

Cite TRL as:

@misc{vonwerra2022trl,
	title        = {{TRL: Transformer Reinforcement Learning}},
	author       = {Leandro von Werra and Younes Belkada and Lewis Tunstall and Edward Beeching and Tristan Thrush and Nathan Lambert and Shengyi Huang and Kashif Rasul and Quentin Gallou{\'e}dec},
	year         = 2020,
	journal      = {GitHub repository},
	publisher    = {GitHub},
	howpublished = {\url{https://github.com/huggingface/trl}}
}

Convergent Intelligence Portfolio

By Convergent Intelligence LLC: Research Division

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 12:57 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

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma3ForCausalLM
Ревизия весов
4628ed9

0 моделей