/ Модель

Характеристики

Контекст
16 384 токена
Параметры
3,7 млрд
Размер весов
8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
4 сен 2026

Orca-4B-Instruct-flash

Генерация текстаТекст → текст13 профессий

Производная модели roskosmos19/Orca-4B-Instruct. Компактная инструктивная модель на архитектуре Qwen3 для диалогов и генерации ответов с контекстом до 16 384 токенов.

660скачиваний за 30 дней1лайквеса обновлены21 сен 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

Карточка модели roskosmos19/Orca-4B-Instruct-flash на Hugging Face совпадает с карточкой roskosmos19/Orca-4B-Instruct, поэтому описание составлено по ней.

Orca-4B-Instruct — компактная инструктивная языковая модель, опубликованная roskosmos19. По карточке она основана на архитектуре Qwen3 и предназначена для диалогов и выполнения текстовых инструкций. Модель содержит около 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и принимает контекст до 16 384 токенов.

Модель рассчитана на генерацию ответов, следование инструкциям и разговорные сценарии; в метаданных также заявлен интерфейс вызова инструментов. Карточка описывает оптимизацию для экономичного запуска: сокращённый контекст и удалённые мультимодальные специальные токены уменьшают требования к памяти, сохраняя фокус на текстовых ответах. Доступны веса в формате safetensors.

Модель подходит для локальных чат-ботов, помощников и других приложений, где важны умеренный размер и стоимость инференса. Ограничение контекста до 16 384 токенов исключает обработку очень длинных запросов; сведения о поддерживаемых естественных языках в карточке не приведены. Лицензия — Apache-2.0.

Сценарии применения

  • создание компактного чат-бота
  • генерация ответов на пользовательские вопросы
  • выполнение текстовых инструкций
  • подключение вызова инструментов в диалоговом приложении

Ограничения

Контекст ограничен 16 384 токенами, поэтому модель не рассчитана на обработку очень длинных запросов. Карточка не сообщает, на каких естественных языках модель обучена или проверена.

Для каких профессий подходит13

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

Dolphin-4B-Instruct-0409

Best price/performance 4B Instruct model

Optimized for maximum capability at minimal cost. Based on the strong Qwen3-4B architecture with aggressive efficiency tuning.

Why this version is better price/performance

MetricOriginal Qwen3-4B-InstructDolphin-4B-Instruct-0409
Native context262k16k (covers >95% of real use)
KV-cache VRAM (16k ctx)HighMuch lower
Multimodal special tokensMany (vision etc.)Removed (leaner)
Generation defaultsGenericTuned for quality
Instruction strengthGoodStronger system prompt
Typical quantized size (Q4)~2.5 GB~2.5 GB (same, but faster)

→ Same 4B intelligence, significantly cheaper to run, better focused answers.

Technical specs

  • Architecture: Qwen3ForCausalLM
  • Parameters: 4.0B
  • Layers: 36
  • Hidden size: 2560
  • Context: 16 384 tokens (optimized)
  • Vocab size: 151 936
  • Recommended dtype: bfloat16 or float16
  • Recommended quant: Q4_K_M / AWQ / GPTQ for best speed/quality balance

Recommended generation settings (already in generation_config.json)

{
  "temperature": 0.5,
  "top_p": 0.85,
  "top_k": 30,
  "repetition_penalty": 1.05
}

These settings produce more precise, less repetitive and higher-quality answers while staying efficient.

Quickstart

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "./Dolphin-4B-Instruct-0409"

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

messages = [
    {"role": "user", "content": "Explain the difference between CPU and GPU in simple terms."}
]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer([text], return_tensors="pt").to(model.device)

outputs = model.generate(**inputs, max_new_tokens=512)
print(tokenizer.decode(outputs[0][len(inputs.input_ids[0]):], skip_special_tokens=True))

Deployment tips for maximum cheapness

  • vLLM / SGLang: --max-model-len 16384
  • llama.cpp: use Q4_K_M or Q5_K_M GGUF
  • Ollama / LM Studio: load the GGUF version if available
  • Keep context ≤ 8k–12k in production for best speed/VRAM ratio

License

Apache 2.0


This package contains the fully tuned config + tokenizer.
Place the original Qwen3-4B safetensors weights next to the index file (or convert to GGUF) and you have a ready-to-run high price/performance 4B model.

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
186b77a

0 моделей