/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
508 млн
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-0.6B
Библиотека
transformers
Опубликована
26 июл 2026

vanilla_qwen3_0.6b_6k

Генерация текстаТекст → текст3 профессии

Контрольный чекпойнт Qwen3-0.6B с AttentionResidual для генерации текста и исследовательского сравнения маршрутизации между слоями.

341скачиваний за 30 дней0лайковвеса обновлены1 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

Это исследовательский контрольный чекпойнт Vanilla AttnResidual из коллекции OASIS, созданный на базе Qwen/Qwen3-0.6B. Модель предназначена для генерации текста и диалогов, а также для сравнения вариантов маршрутизации между слоями в исследовании Attention Sinks and Outliers in Attention Residuals. Веса содержат дополнительные модули AttentionResidual; для их корректной работы требуется код моделирования OASIS, поскольку стандартная загрузка через AutoModelForCausalLM отбросит эти параметры и не воспроизведёт вариант модели.

Модель имеет плотную архитектуру Qwen3ForCausalLM и около 507,9 млн параметров. Она использует стандартный softmax для внимания между токенами и не включает null routing. Контекст — до 40 960 токенов. Лицензия Apache-2.0.

Сценарии применения

  • генерация текста на основе запроса
  • ведение текстового диалога
  • сравнение вариантов межслойной маршрутизации в языковых моделях

Ограничения

Для корректного использования дополнительных параметров AttentionResidual необходим код моделирования OASIS: стандартная загрузка через AutoModelForCausalLM их отбросит. Это контрольный чекпойнт для исследовательского сравнения, а не стандартная модель Qwen3.

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

vanilla_qwen3_0.6b_6k

Vanilla AttnResidual baseline checkpoint built on Qwen3-0.6B: standard softmax + AttentionResidual (no null routing). Research checkpoint from the paper Attention Sinks and Outliers in Attention Residuals (OASIS), part of the OASIS collection.

Model summary

Base modelQwen/Qwen3-0.6B
VariantVanilla AttnResidual baseline
Token-level attentionStandard softmax
Depth routingAttentionResidual
Null → depth coupling—
TrainingContinued training at block size 6,144 on BookCorpus + Wikipedia + LongAlpaca
Parameters0.63B (F32)
Config classQwen3ForCausalLM
Licenseapache-2.0 (inherited from the base model)

About OASIS

AttnResidual architectures add a depth-wise normalization channel that improves inter-layer routing flexibility, but it also amplifies attention sinks, activation outliers, and the resulting loss of inference stability and quantization robustness. OASIS adds a Softmax1-based null space and couples token-level null evidence to depth routing through an inter-layer null signal, reducing sink-dominated routing. This repo is one arm of that comparison (OASIS, its ablations, and sink / vanilla baselines); see the table at the bottom for all variants.

Usage

⚠️ Weights only. The checkpoint contains extra AttentionResidual (and, where applicable, Softmax1 / sink) parameters that are not part of the stock Qwen3ForCausalLM. Loading it with plain AutoModelForCausalLM silently drops those parameters and runs standard attention, so outputs will not reflect this variant. Build the model with the OASIS modeling code, then load the weights.

import glob, os, torch
from huggingface_hub import snapshot_download
from safetensors.torch import load_file
from transformers import AutoTokenizer

model_id = "robinzixuan/vanilla_qwen3_0.6b_6k"
path = snapshot_download(model_id)
tokenizer = AutoTokenizer.from_pretrained(path)

state_dict = {}
for f in sorted(glob.glob(os.path.join(path, "*.safetensors"))):
    state_dict.update(load_file(f))

# TODO: replace with the model constructor from the OASIS codebase (variant="vanilla")
model = build_oasis_model(path, variant="vanilla")
missing, unexpected = model.load_state_dict(state_dict, strict=False)
assert not missing and not unexpected, (missing, unexpected)
model = model.to("cuda" if torch.cuda.is_available() else "cpu").eval()

inputs = tokenizer("Hello, ", return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=64)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

To see which parameters stock transformers would drop:

from transformers import AutoModelForCausalLM

_, info = AutoModelForCausalLM.from_pretrained("robinzixuan/vanilla_qwen3_0.6b_6k", output_loading_info=True)
print(info["unexpected_keys"][:10])  # AttentionResidual / sink parameters ignored by Qwen3ForCausalLM

Evaluation

all_results.json in this repo holds the evaluation perplexity and per-module activation statistics produced by the training/eval script. See the paper for the full attention-sink, outlier (‖·‖∞, kurtosis) and post-quantization (W8A8 / W4A4) comparisons across variants.

Base model

Architecture

  • config.json declares Qwen3ForCausalLM with extra AttentionResidual modules; requires the OASIS modeling code (see Usage).

OASIS collection

ModelBaseVariantContext
Phi4_attn_residualPhi-4-mini-instructVanilla AttnResidual baselinestandard
Phi4_attn_OASISPhi-4-mini-instructOASISstandard
Phi4_attn_AoSPhi-4-mini-instructAoS (attention-only Softmax1)standard
qwen3-0.6b-oasisQwen3-0.6BOASISstandard
qwen3-0.6b-vanillaQwen3-0.6BVanilla AttnResidual baselinestandard
llama-3.2-1b-vanillaLlama-3.2-1BVanilla AttnResidual baselinestandard
llama-3.2-1b-oasisLlama-3.2-1BOASISstandard
oasis_llama3.2_1b_6kLlama-3.2-1BOASIS6k
vanilla_llama3.2_1b_6kLlama-3.2-1BVanilla AttnResidual baseline6k
oasis_qwen3_0.6b_6kQwen3-0.6BOASIS6k
vanilla_qwen3_0.6b_6k (this model)Qwen3-0.6BVanilla AttnResidual baseline6k
sink_logit_llama3.2_1bLlama-3.2-1BSink baseline S1 (sink logit)6k
sink_token_llama3.2_1bLlama-3.2-1BSink baseline S2 (prefix sink)6k
s0_softmax1_noroute_llama3.2_1bLlama-3.2-1BAblation S0 (Softmax1, no routing)6k

Citation

@article{luo2026oasis,
  title   = {Attention Sinks and Outliers in Attention Residuals},
  author  = {Luo, Haozheng and Dai, Haoran and Zhang, Shaoyang and Chen, Xi and
             Jiang, Eric Hanchen and Li, Yijiang and Huang, Jingyuan and Qiu, Chenghao and
             Xu, Chenwei and Pan, Zhenyu and Zhang, Haotian and Wang, Binghui and Chen, Yan},
  journal = {arXiv preprint arXiv:2605.17887},
  year    = {2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
35099ff

0 моделей