/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-9B-Base
Библиотека
transformers
Опубликована
1 авг 2026

PCSS-Qwen3.5-9B

Изображение и текст → текст3 профессии

Экспериментальная версия Qwen3.5-9B, дообученная на логических задачах для решения головоломок и проверки переноса рассуждений на другие задачи.

467скачиваний за 30 дней0лайковвеса обновлены10 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 «Изображение → 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

PCSS-Qwen3.5-9B — экспериментальный мультимодальный чекпойнт tamewild, дообученный на базе Qwen/Qwen3.5-9B-Base. Авторы обучили его на 500 логических задачах «зебра» размером 5×5 из набора tamewild/instruct5, без математических данных, применив PCSS — адаптивное масштабирование функции потерь на основе KTO — и MiSS для параметрически эффективного дообучения. Модель построена на плотной архитектуре Qwen3.5 и поддерживает диалог и понимание изображений; в карточке указан тег image-text-to-text.

Для работы с текстовыми логическими задачами авторы оценивают её в режиме без thinking. В описанных экспериментах модель показала 80,5% точности на задачах «зебра» 5×5; приведены также результаты на математических и вопросно-ответных бенчмарках, которые отражают экспериментальную оценку, а не гарантию качества в иных сценариях. README описывает запуск через vLLM с максимальной длиной последовательности 32 000 токенов. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • решение логических задач «зебра» 5×5
  • проверка ответов на математические вопросы
  • ответы на вопросы с выбором варианта
  • эксперименты с переносом логических рассуждений на новые задачи
  • диалоговое взаимодействие с моделью Qwen3.5

Ограничения

Чекпойнт экспериментальный и обучен всего на 500 задачах «зебра» 5×5; результаты бенчмарков зависят от промпта и случайности генерации и не гарантируют качество на других задачах. В README подробно оценен режим без thinking.

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

PCSS-Qwen3.5-9B

GitHub Repository | Blog Post | Reproduction Notebook

PCSS-Qwen3.5-9B is an experimental checkpoint demonstrating that fine-tuning small base models on pure logic deduction traces can elicit substantial out-of-domain reasoning generalization. Starting from Qwen/Qwen3.5-9B-Base, this model was fine-tuned on just 500 5x5 zebra puzzles from the tamewild/instruct5 dataset, which contains zero mathematical data.

For fine-tuning on these long-form logic traces, the model was trained using PCSS (Per-Example Calibrated Sigmoid Scaler), an adaptive loss scaler derived from KTO. The training process leveraged MiSS (Matrix Shard Sharing) for parameter-efficient fine-tuning (PEFT) alongside a preliminary PCSS extension for Multi-Token Prediction (MTP) with k=1, completing in approximately 40 minutes on a single NVIDIA H200 NVL GPU. (Note: The accompanying reproduction notebook was run on an H100 SXM, producing comparable results but with minor variance due to training non-determinism).


Chat Template & Evaluation Mode

  • Control Token Pre-training: As noted on the Qwen/Qwen3.5-9B-Base model page, the base checkpoint was released with chat template control tokens (such as <|im_start|> and <|im_end|>) explicitly pre-trained "to allow efficient LoRA-style PEFT with the official chat template," mitigating the need to fine-tune embeddings.
  • Non-Thinking Mode: The official Qwen 3.5 chat template includes a built-in toggle (enable_thinking) that controls whether the model generates a chain of thought within <think> tags prior to its final response. In our experiments, we only train and evaluate in non-thinking mode (enable_thinking=False). This ensures the untrained base, our fine-tuned checkpoint, and the official post-trained model are evaluated under strictly comparable conditions without generation within these tags.

Benchmark Results

Models were served via vLLM (0.19.1) using the following configuration:

  • Max Completion Tokens: 16,384
  • Sampling Parameters: temperature=1.0, top_p=0.95, top_k=20
  • Presence Penalty: 0.0 for the untrained base and our fine-tuned model (1.5 was applied for the official post-trained checkpoint as recommended by Qwen).

To account for sampling variance, most benchmarks were evaluated using multiple independent samples. All reported scores are Pass@1 estimates. Pass@3 estimates are only reported for benchmarks with sufficient sample sizes (n >= 6).

BenchmarkQwen 3.5 9B Base (PCSS + MiSS)Qwen 3.5 9B Official Post-TrainedQwen 3.5 9B Base (Untrained)
MMLU Redux90.45%90.15%89.32%
GPQA Diamond71.04%79.63%61.11%
MATH-50096.60%97.40%93.53%
AIME 202560.67% (Pass@3: 75.58%)60.56% (Pass@3: 77.50%)49.44% (Pass@3: 61.83%)
AIME 202664.33% (Pass@3: 75.50%)69.44% (Pass@3: 84.67%)50.00% (Pass@3: 65.50%)
ArXivMath 05/2622.92% (Pass@3: 34.88%)24.17% (Pass@3: 31.87%)5.42% (Pass@3: 12.00%)
5x5 Zebra80.50% (Pass@3: 97.05%)48.00%17.00%
6x6 Zebra26.00%5.00%—

Training Configuration & Hyperparameters

For full training details and mathematical derivations, please refer to the Reproduction Notebook and Blog Post.

  • Base Model: Qwen/Qwen3.5-9B-Base
  • Dataset: tamewild/instruct5 (500 5x5 zebra puzzles)
  • PEFT Method: MiSS (Matrix Shard Sharing), rank r=512
  • Loss Function: PCSS (beta=0.65, peak_scale=5.0)
  • Optimizer: 8-bit AdamW (LR: 5e-6, beta2: 0.99994, Weight Decay: 0.01)
  • LR Scheduler: Constant learning rate with 1-epoch linear warmup
  • Training: 5 epochs at batch size 1

Usage & Inference

Serving with vLLM

The checkpoint bundles the pre-configured chat_template.jinja. To serve the model in non-thinking mode with native MTP speculative decoding:

# Note: Configured to 2 tokens for better throughput during our benchmarking, despite k=1 fine-tuning.
vllm serve tamewild/PCSS-Qwen3.5-9B \
  --max-model-len 32000 \
  --language-model-only \
  --generation-config vllm \
  --host 127.0.0.1 \
  --port 18000 \
  --gpu-memory-utilization 0.90 \
  --default-chat-template-kwargs '{"enable_thinking": false}' \
  --speculative-config '{"method": "mtp", "num_speculative_tokens": 2}'

Prompt Formats

All evaluations were performed without a system prompt. The following zero-shot Chain-of-Thought templates were used (note the specific divergence for zebra puzzles, where the official post-trained model was evaluated using a prompt that requested a markdown table):

1. Mathematical Benchmarks (MATH-500, Full MATH, AIME 2025, AIME 2026, ArXivMath)

{problem}

Please reason step by step, and put your final answer within \boxed{}

2. Multiple-Choice Benchmarks (GPQA Diamond, MMLU Redux)

{problem}

Please reason step by step, and put your final letter choice within \boxed{\text{}}

3. Logic Grid Benchmarks (Zebra Puzzles)

For the Untrained Base and PCSS Fine-Tuned Models:

{problem}

Provide the solution grid as the final answer.

Please reason step by step, and put your final answer within \boxed{}

For the Official Post-Trained Model:

{problem}

Provide the solution table as the final answer.

Because the official post-trained model struggled to consistently output parsable LaTeX grids, its prompt was adjusted to request a markdown table. While this adjusted prompt omitted the explicit Chain-of-Thought instruction, the model natively outputs extensive step-by-step reasoning traces on these puzzles regardless. The table below contextualizes the generation lengths (in tokens) alongside benchmark accuracy across the 5x5 and 6x6 zebra puzzles.

ModelTaskAccuracyMedian TokensAverage Tokens
Qwen 3.5 9B Official Post-Trained5x5 Zebra48.00%11,580.011,367.3
Qwen 3.5 9B Base (PCSS Fine-Tuned)5x5 Zebra80.50%9,209.510,126.1
Qwen 3.5 9B Official Post-Trained6x6 Zebra5.00%13,773.013,772.0
Qwen 3.5 9B Base (PCSS Fine-Tuned)6x6 Zebra26.00%15,543.514,654.2

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
21b3710

0 моделей