/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
9,3 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-4B
Библиотека
transformers
Опубликована
14 авг 2026

calibrate-qwen-unified

Генерация текстаТекст → текст3 профессии

Дообученная дистилляцией Qwen3.5-4B для англоязычных вопросов с вариантами ответа, выдающая структурированный ответ с уверенностью и возможностью воздержаться.

23скачиваний за 30 дней1лайквеса обновлены14 авг 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

CalibrateQwen Unified — дообученная методом дистилляции Qwen3.5-4B модель, выпущенная Ritwik Raha. Она предназначена для решения вопросов с выбором ответа: возвращает метку варианта, краткое обоснование, оценку уверенности и признак отказа от ответа в JSON заданной структуры. Модель рассчитана на англоязычные запросы и построена на плотной мультимодальной архитектуре Qwen3.5 с 4 млрд параметров; карточка указывает поддержку диалога и интерфейса вызова инструментов.

В сравнении с базовой моделью выбранный контрольный пункт показал немного более высокую точность на внутренней выборке, лучшую валидность структурированного вывода и меньшую ошибку калибровки вербальной уверенности. Также приведены результаты на выборке вне домена, однако измерения основаны на 250 примерах в каждом основном разбиении и являются предварительными. Калибровка обучена на специально подготовленной смеси данных и может измениться при смене предметной области, шаблона запроса, квантовании или настроек генерации. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на англоязычные тестовые вопросы с выбором варианта
  • получение оценки уверенности для ответа на вопрос с вариантами
  • воздержание от ответа при низкой уверенности
  • выдача ответа и краткого обоснования в заданном JSON-формате

Ограничения

Модель ориентирована на англоязычные вопросы с выбором ответа; калибровка может смещаться при изменении предметной области, шаблонов запросов, квантования или настроек генерации. Опубликованные оценки основаны на 250 примерах в каждом основном разбиении и не являются полными бенчмарк-оценками.

Для каких профессий подходит3

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

CalibrateQwen Unified

CalibrateQwen Unified is an on-policy distilled Qwen/Qwen3.5-4B checkpoint for multiple-choice reasoning with structured confidence and abstention. We selected this checkpoint from a matched comparison against the base model and an off-policy distilled checkpoint.

Release format

  • Base model: Qwen/Qwen3.5-4B
  • Export format: merged
  • Training method: on-policy teacher-student distillation
  • Source checkpoint: tinker://e45e676a-8586-5d5d-a00f-2c4527c33929:train:0/sampler_weights/final
  • Renderer: qwen3_5_disable_thinking
  • Dataset: ritwikraha/calibrate-qwen-curated
  • License: Apache-2.0, inherited from the base model

Why this checkpoint

The selected checkpoint delivered the strongest general-purpose result in the core report. The primary in-domain and OOD splits each contain 250 evaluated examples. These are release-candidate measurements rather than complete benchmark estimates when the report scope is core.

MetricBaseOff-policyUnified on-policy
In-domain accuracy0.88000.87200.8840
Structured-output validity0.70800.84000.9320
Verbal-confidence ECE0.23140.22320.1182
Multiclass Brier score0.18910.20000.1831
Multiclass NLL0.38110.40510.3686
Selective accuracy0.95930.94970.9674

OOD accuracy is 0.7600, OOD multiclass NLL is 0.8066, and OOD AURC is 0.1014. Option-order choice-text consistency is 0.8940.

Output contract

Use the following system instruction:

Answer the multiple-choice question. Return one JSON object with exactly the keys "answer", "confidence", "justification", and "abstain". answer must be one uppercase option label from the prompt. confidence must be a number between 0 and 1. justification must be one concise sentence. abstain must be a JSON boolean.

Expected response:

{"answer":"B","confidence":0.91,"justification":"The evidence directly supports option B.","abstain":false}

Loading the model

For a merged release:

from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("ritwikraha/calibrate-qwen-unified")
model = AutoModelForCausalLM.from_pretrained(
    "ritwikraha/calibrate-qwen-unified",
    device_map="auto",
    torch_dtype="auto",
    trust_remote_code=True,
)

For the PEFT adapter release:

from peft import PeftModel
from transformers import AutoModelForCausalLM

base = AutoModelForCausalLM.from_pretrained("Qwen/Qwen3.5-4B", device_map="auto")
model = PeftModel.from_pretrained(base, "ritwikraha/calibrate-qwen-unified-adapter")

Serving

Merged model:

vllm serve ritwikraha/calibrate-qwen-unified

PEFT adapter:

vllm serve Qwen/Qwen3.5-4B --enable-lora --lora-modules calibrate=ritwikraha/calibrate-qwen-unified-adapter

Calibration policy

The validation-fitted answer-probability temperature is 1.082009 and the 80 percent target-coverage threshold is 0.890585. Load calibration_config.json and use calibration.py when the serving stack scores every option label. The generated verbal confidence remains available when option scoring is unavailable.

Limitations

The release targets English multiple-choice prompts. Calibration was fitted on the curated validation mixture and can shift under new domains, prompt templates, quantization, or decoding settings. The provided evaluation snapshot uses 250 examples per primary split. Refit calibration after material deployment changes and use a full evaluation before making final benchmark claims.

Reproducibility

Training, dataset curation, evaluation, and publication notebooks are available in AutoRegressive-Bhasha. The model repository includes the frozen calibration policy, output schema, evaluation summary, and compact report evidence.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
a0da7f1

0 моделей