/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1 млрд
Лицензия
osl-3.0
Архитектура
gemma3_text · dense
Базовая модель
gemma-3-1b-it
Библиотека
transformers
Опубликована
8 ноя 2025

Qemma-sft

Генерация текстаТекст → текст15 профессий

Qemma — гибридная модель Gemma 3 и Qwen 3 для диалогов по инструкциям, генерации текста и пошаговых рассуждений.

3 684скачиваний 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 — гибридная языковая модель компании Convergent Intelligence LLC, Research Division, созданная слиянием весов Gemma 3 и Qwen 3 без адаптеров и дополнительно дообученная методом SFT. В описании указаны основа Gemma 3 на 1 млрд параметров, 26 слоёв, размер скрытого состояния 1152 и MLP-размер 6912; внимание и выходная голова основаны на Qwen и согласованы с размерностью Gemma. Используются токенизатор и шаблон диалога Gemma 3. Метаданные указывают 1 млрд параметров и контекст до 32 768 токенов.

Модель предназначена для генерации текста, диалогов по инструкциям, пошаговых рассуждений, помощи с кодом и анализа; её также можно использовать как основу для дальнейшего SFT или RLHF. Карточка перечисляет обучающие наборы OpenO1-SFT, Alpaca Cleaned и набор STEM-примеров для рассуждений. Указан английский язык. Модель может галлюцинировать и не предназначена для критически важных решений в медицине, праве или финансах. Лицензия — OSL-3.0; при использовании следует учитывать лицензии исходных моделей и данных.

Сценарии применения

  • ответы на пользовательские инструкции в диалоге
  • пошаговый разбор задач на рассуждение
  • помощь с написанием и объяснением кода
  • анализ и обобщение текстовых запросов
  • эксперименты с дальнейшим SFT или RLHF

Ограничения

Модель может галлюцинировать и не предназначена для критически важных решений в медицине, праве или финансах. Качество и надёжность ответов могут зависеть от запроса и сценария использования.

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

Qemma is a HuggingFace-native hybrid model that merges Gemma-3 (1B) and Qwen-3 (0.6B) 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.

Quick start

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_id = "reaperdoesntknow/Qemma-sft"
tok = AutoTokenizer.from_pretrained(model_id, use_fast=True)
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype=torch.bfloat16).eval()

messages = [{"role": "user", "content": "Explain finite-scale discrepancy Δ_r in one paragraph."}]
inputs = tok.apply_chat_template(messages, tokenize=True, add_generation_prompt=True, return_tensors="pt")

out = model.generate(inputs, max_new_tokens=256, do_sample=True, temperature=0.7, top_p=0.9)
print(tok.decode(out[0], skip_special_tokens=True))

What’s inside

  • Architecture: Gemma-3 backbone (26 layers, hidden 1152, MLP 6912) with Qwen-style attention regrouped to Gemma’s 4×256 heads.
  • 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 (Alpaca-style data)
  • 256 Additional pretraining steps on (O1-OPEN/OpenO1-SFT)
  • 128 SFT steps with (Jackrong/gpt-oss-120b-reasoning-STEM-5K)
  • 256 SFT steps with (O1-OPEN/OpenO1-SFT)

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
4d41022

0 моделей