/ Модель

Характеристики

Контекст
8 192 токена
Параметры
843 млн
Лицензия
Apache 2.0
Архитектура
qwen3_next · dense
Базовая модель
small-agent-1b
Библиотека
transformers
Опубликована
13 окт 2026

small-agent-1b-wave4-zh-math

Генерация текстаТекст → текст

Дообученная языковая модель Qwen3-Next примерно с 1 млрд параметров для генерации текста на китайском языке и решения математических задач.

187скачиваний за 30 дней0лайковвеса обновлены13 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

wangyue114514 разработала контрольную точку wave4 — дообученную модель генерации текста на архитектуре Qwen3-Next с гибридным вниманием: Gated DeltaNet чередуется с полным вниманием. В метаданных указано 843,1 млн параметров, в README — около 1 млрд; модель содержит 32 слоя и рассчитана на контекст до 8192 токенов.

Модель предназначена прежде всего для генерации текста на китайском языке и решения математических задач. Обучение wave4 включало также англоязычные общие данные; улучшения на контрольных оценках приведены для китайского языка и математики. Лицензия — Apache-2.0.

Качество генерации кода и технических документов снизилось из-за их малой доли в данных этого этапа обучения. Модель менее подходяща для генерации кода; указанная в README оценка PIQA основана на небольшой выборке.

Сценарии применения

  • решение математических задач в текстовом формате
  • генерация ответов на вопросы на китайском языке
  • продолжение китайского текста
  • генерация общего текста на английском языке

Ограничения

Генерация кода и технических документов ухудшилась после этого этапа обучения; модель лучше подходит для китайских и математических задач. Оценка PIQA проведена на небольшой выборке.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

small-agent-1b — wave4 (zh + math focused)

A 1B-parameter hybrid-attention language model (Qwen3-Next architecture: Gated DeltaNet linear attention interleaved with gated full attention).

This repository holds the final checkpoint of the wave4 training phase, which deliberately focused on Chinese and mathematics.

Model details

Parameters1,005,213,696
ArchitectureQwen3NextForCausalLM (32 layers)
Layer patternLLLA x 8 — 24 linear-attention + 8 full-attention layers
Hidden size1536
Attention heads16 (4 KV heads), head_dim 96
Linear-attention heads16 key / 16 value, head_dim 96, conv kernel 4
Intermediate size4096
Vocab size32768 (byte-level BPE)
Max position8192
Experts0 (no MoE)
Tied embeddingsyes
Weight dtypefloat32 master weights (trained under bfloat16 autocast)

Training

Phasewave4 (resumed from the wave3 checkpoint)
Tokens in this phase5,432,427,745
Optimizer steps82,960
World size8 (data parallel)
Sequence length4096
Micro batch2 x 1 accumulation
Peak LR1e-4 (cosine to 2e-5)
Hardware8 x NVIDIA L40
Wall time38.4 h (96.4% compute efficiency)

Data mixture in this phase (unique-token share):

DomainTokensShare
general_en2,562,713,66247.2%
math1,927,099,78335.5%
general_zh883,156,62916.3%
code59,227,3811.1%
technical230,2900.004%

Evaluation (held-out NLL, one fixed panel across all milestones)

Measured from the 250M-token boundary of this phase to the final step.

Domainstartfinalchange
Chinese (in-distribution)5.42863.2024-41.0%
Math (in-distribution)1.63851.0023-38.8%
English (in-distribution)2.58502.3715-8.3%
Chinese (retention panel)4.29242.7316-36.4%
English (retention panel)2.43492.3428-3.8%
Code (retention panel)1.08251.4155+30.8%
Technical (retention panel)1.93212.1631+12.0%

PIQA (0-shot, 128 samples): acc 0.6328 -> 0.6797, acc_norm 0.6797 -> 0.7109 (within the standard error of this small sample size).

Caveats. Code and technical-document performance regressed, consistent with their very low share of this phase's data mixture (1.1% and 0.004%) combined with a no-replay data policy. The code retention curve had already begun recovering before the phase ended, but did not return to its starting level. This checkpoint is best suited to Chinese and mathematical workloads, not code generation.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "wangyue114514/small-agent-1b-wave4-zh-math"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, dtype="auto")

ids = tok("def add(a, b):", return_tensors="pt").input_ids
print(tok.decode(model.generate(ids, max_new_tokens=64)[0]))

Requires transformers >= 4.57 (Qwen3NextForCausalLM).

Chat template is not bundled; the tokenizer defines these special tokens: <|system|>, <|user|>, <|assistant|>, <|tool|>, <|tool_result|>, <|end|>, <|fim_prefix|>, <|fim_middle|>, <|fim_suffix|>, <|memory|>, <|memory_end|>.

Notes

  • The checkpoint stores the tied input/output embedding matrix under model.embed_tokens.weight (standard Hugging Face tied layout); lm_head.weight is inferred on load.
  • dtype in config.json reflects the training configuration, not the on-disk tensor dtype. Tensors are stored in float32; load with dtype="auto" or dtype=torch.float32 to reproduce the recorded numbers exactly.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3NextForCausalLM
Ревизия весов
890d76e

0 моделей