/ Модель

Характеристики

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

qwen3-0.6b-rope-recal-1b

Генерация текстаТекст → текст3 профессии

Контрольная версия Qwen3-0.6B, перекалиброванная на FineWeb-Edu с сохранённым RoPE для экспериментального сравнения позиционного кодирования.

28скачиваний за 30 дней0лайковвеса обновлены9 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

Экспериментальная контрольная версия Qwen3-0.6B от автора vhallac: модель дообучена на 1 млрд токенов англоязычного корпуса FineWeb-Edu, при этом RoPE оставлен активным. Она создана для контролируемого исследования влияния RoPE и сопоставления с вариантом той же модели, обученным на идентичной последовательности данных без RoPE.

Модель имеет плотную архитектуру Qwen3ForCausalLM и около 507,9 млн параметров. Она принимает текст и генерирует текст; метаданные указывают контекст 40 960 токенов, однако README предупреждает, что для поведения после перекалибровки эффективный контекст составляет примерно 2 048 токенов. Репозиторий распространяется под лицензией Apache-2.0.

Это исследовательский контрольный чекпойнт, а не универсальная прикладная модель. Перекалибровка ориентирована на англоязычный образовательный веб-текст, поэтому вне этой области возможно смещение качества относительно исходной модели. Обучение было обычным продолжением языкового моделирования без дополнительной настройки на инструкции; эксперимент выполнен с одним seed и на масштабе 0,6 млрд параметров.

Сценарии применения

  • сравнение качества моделей с RoPE и без него при одинаковом дообучении
  • оценка perplexity на англоязычных образовательных веб-текстах
  • воспроизведение экспериментов по роли позиционного кодирования в языковых моделях

Ограничения

Перекалибровка охватывала контексты до 2 048 токенов, хотя унаследованное максимальное позиционное окно составляет 40 960 токенов. Англоязычный корпус может ухудшить относительное качество вне этой области; модель не проходила дополнительную настройку на инструкции.

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

Qwen3-0.6B — RoPE retained, recalibrated on 1B tokens (control model)

A research artifact, not a general-purpose model. This is Qwen3-0.6B recalibrated on 1B tokens of FineWeb-Edu with RoPE left active throughout. It is the matched control for vhallac/qwen3-0.6b-nope-recal-1b, which received identical training — same corpus, same cached token stream, same step count, same schedule, same seed — with RoPE removed.

The only difference between the two models is RoPE. That is the entire point of this checkpoint.

Loading is unremarkable — this is a standard Qwen3 model:

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "vhallac/qwen3-0.6b-rope-recal-1b"
model = AutoModelForCausalLM.from_pretrained(model_id, dtype=torch.bfloat16)
tokenizer = AutoTokenizer.from_pretrained(model_id)

(Its sibling does require a runtime patch. Read that model's card before using it.)

Why a control model exists

Part of the rope-as-scaffold research program, which tested whether RoPE is a training scaffold that can be discarded after pretraining.

The problem this checkpoint solves: earlier comparisons pitted a RoPE-removed model that had received 1B extra tokens against an untouched base model that had received none. Any difference confounds "RoPE was removed" with "received extra in-domain training." Since the recalibration corpus is also the evaluation domain, that confound is large and it runs in a direction that flatters the RoPE-removed model.

This model holds the training constant so the comparison isolates RoPE. It changed the program's conclusions: one prior result reversed sign, another was halved in magnitude, and a persistent perplexity penalty became visible that had been invisible against the un-adapted baseline.

Results

Held-out FineWeb-Edu perplexity, fp32, 5M-token frozen eval slice, identical harness for all three:

modelCEPPL
Qwen/Qwen3-0.6B (base, no extra training)3.081921.80
this model (control, RoPE on)2.656914.25
qwen3-0.6b-nope-recal-1b (RoPE removed)2.826016.88

Reading these correctly matters. Recalibration is worth 0.425 nats (3.0819 → 2.6569). Removing RoPE gives 0.169 nats of that back (2.6569 → 2.8260). The RoPE-removed model's apparent improvement over base (21.80 → 16.88) is the net of those two, and reporting it against base alone makes a real regression look like a gain.

Known limitations

  • Effective context ≈ 2048 tokens for the recalibrated behaviour, despite max_position_embeddings: 40960 inherited from base. Unlike its NoPE sibling this model does not collapse beyond 2048 (it inherits base's 32k-context pretraining), but its recalibration only covered 2048.
  • English-only recalibration corpus (FineWeb-Edu), while Qwen3 is multilingual + code + math. Expect domain skew relative to base outside the eval domain.
  • Not instruction-tuned beyond whatever base carried; recalibration was plain LM training.
  • Single seed, single recipe, 0.6B scale.

Training

baseQwen/Qwen3-0.6B @ c1899de289a04d12100db370d81485cdf75e47ca
rotaryactive throughout (no patch applied)
corpusHuggingFaceFW/fineweb-edu, sample-10BT, streamed in provider order
tokens1B (1907 steps × 524,288 tokens), context 2048
optimizerAdamW β=(0.9, 0.95), wd 0.1, grad clip 1.0
LR1e-3 peak, 2% warmup, cosine → 10% of peak
precisionbf16
seed0
hardware1× H100 SXM, ~7h

Trained from the same cached token file as its NoPE sibling, not merely the same corpus — the two models saw the identical token sequence in the identical order. training_metrics.csv and training_manifest.json are included for full provenance.

Note: training_manifest.json in this repo carries "artifact": "qwen3-droped" — a known mislabel from a hardcoded string in the training script. Every functional field is correct for this model, including rotary_patch_applied: false and output_dir: /workspace/qwen3-rope-recal.

Reproduction and full analysis

  • Code, specs, and lab notebook: vhallac/crockpot-experiments
  • The controlled comparison this model enabled: NOTEBOOK.md, entry 2026-07-28 — RS-amendment-2-3
  • Pre-registered plan: RS-amendment-2-3.md; recipe of record RS1-spec.md §11

License

Apache 2.0, inherited from Qwen3-0.6B.

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
ba93160

0 моделей