К содержимому
Языковые модели

SimpleTool-Qwen3.5-0.8B

восемь голов для вызова инструментов

2 мин чтенияобновлено

Это merged-чекпоинт SimpleTool на базе Qwen3.5-0.8B (0.87 млрд параметров), который учит модель предлагать вызовы функций. Восемь логических ветвей — content, function и arg1…arg6 — делят один бэкбон и авторегрессивно генерируют ответ; внешняя LoRA или дополнительный базовый чекпоинт не нужны. Пометка «5%» относится к доле обучающих данных проекта, а не к прунингу модели. Чекпоинт сохранён в BF16 вместе с токенизатором и 17 специальными токенами; он пригодится разработчикам tool-calling ассистентов на китайском и английском. Модель только предлагает вызовы — выполнять и проверять их должно приложение.

Ключевые особенности

  • Восемь ветвей: content, function и arg1…arg6; ветки используют общий бэкбон и генерируют независимо.
  • Формат BF16: нативные merged BF16-тензоры с сохранёнными FP32 state-тензорами; шаг обучения 2474.
  • В комплекте обученный токенизатор и все 17 специальных токенов открытия/закрытия/null.
  • На SimpleTool Diagnostic 800 эталонный прогон 5% чекпоинта в INT4/FP16 дал 301/800 (37.625%) полных совпадений вызовов и 733/800 (91.625%) совпадений только имени функции.
  • Промпт требует порядка: обязательные параметры первыми в properties, required в том же порядке; arg1…argN привязываются к этому порядку.

Что можно сделать

  • Подключить чекпоинт к OpenAI-совместимому клиенту из infer_heads.py и посмотреть, какие вызовы функций он предлагает.
  • Собрать прототип ассистента для китайского или английского, который предлагает вызов инструмента, а валидацию и исполнение делает ваше приложение.
  • Проверить, как схема инструмента и порядок обязательных параметров влияют на качество выбора функции и аргументов.
  • Сравнить восемь голов с обычным tool-calling подходом на собственных синтетических кейсах, не рассчитывая на готовый продовый бенчмарк.

Пример

Пример протокола из карточки: в описании инструмента обязательные параметры ставят первыми в properties, а required повторяет тот же порядок. Тогда arg1 привязывается к первому обязательному параметру, arg2 — ко второму, а неиспользуемые слоты до arg6 закрываются токеном <|null|>. Для запроса на китайском или английском модель сначала выбирает функцию, затем заполняет аргументы; выполнять вызов должен вызывающий код.

ПодробнееНа SimpleTool Diagnostic 800: 301/800 (37.625%) полностью корректных обязательных вызовов и 733/800 (91.625%) совпадений только по имени функции; это эталонный прогон INT4/FP16, а не оценка BF16-артефакта.
BF16-версия не проходила независимую inference-оценку; заявленные цифры нельзя переносить на неё или на другой промпт. В оценке инструменты не исполнялись, content-голова не генерировалась.
Нужен бэкенд с поддержкой архитектуры Qwen3.5/Qwen3.6 и формата квантования; для FP8 использовать BF16 compute. Языки: китайский и английский, лицензия Apache 2.0.
Задержка и пропускная способность не заявлены; вызовы нужно валидировать перед исполнением.
Обсудить Telegram 0 32

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.6 GB · готовые файлы2.6 GB
  • FP8 / INT8рекомендуемвеса 0.8 GB1.8 GB
  • 4-bitвеса 0.5 GB1.4 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Для текстовых моделей — с контекстом 8192 токенов.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте A30

    $0.26 в час с купоном. При создании машины выберите образ Ubuntu.

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Cialtion/SimpleTool-Qwen3.5-0.8B-8Head-5pct-BF16 — A30, FP8 / INT8
    # Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
    DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
    case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
    if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
      . /etc/os-release && \
      curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
      sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
      sudo apt-get update && \
      sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
      { echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
      echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
      exit 0
    fi
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
    uv pip install vllm
    vllm serve Cialtion/SimpleTool-Qwen3.5-0.8B-8Head-5pct-BF16 --max-model-len 8192 --quantization fp8
  3. 3. Пользуйтесь

    Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Дообучение модели

Qwen/Qwen3.5-0.8B
  1. Qwen3.5-0.8B-Baseоснова семьи
  2. Qwen3.5-0.8B
  3. SimpleTool-Qwen3.5-0.8B-8Head-5pct-BF16

Новые посты про версии Qwen3.5-0.8B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 9Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

Cialtion/SimpleTool-Qwen3.5-0.8B-8Head-5pct-BF16
Автор
Cialtion
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

320

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

Cevra-ToolChoice-4B

Cevra-ToolChoice-4B
Компьютерное зрение

Qwen3.5-4B

Qwen3.5-4B