К содержимому
Другое

HDM-blocks

модули выбора режима рассуждений для Qwen

2 мин чтенияобновлено

Набор из двух лёгких блоков самомаршрутизации (Hybrid Decision Models), которые определяют, стоит ли языковой модели тратить время на глубокие рассуждения перед ответом на вопрос. Модули обучены для моделей Qwen/Qwen3.5-4B и Qwen/Qwen3.8-27B авторами научной работы «The Value of Thinking». Вместо запуска отдельного классификатора блок считывает скрытое состояние последнего слоя (hidden state) из быстрого прохода модели и восемь статистик быстрого ответа, предсказывая уверенность и реальную пользу от включения режима размышлений. Это позволяет экономить вычислительные ресурсы на простых вопросах, пригодится разработчикам и исследователям, оптимизирующим инференс рассуждающих LLM.

Ключевые особенности

  • Не требует дополнительного прямого прохода (forward pass): использует состояния, уже вычисленные на этапе быстрого ответа.
  • Минимальный вес: файл head-4b-mmlu-pro занимает всего 2.6 МБ, а head-27b-mmlu-pro — 5.3 МБ.
  • Встроенная защита от ошибок: при загрузке проверяется соответствие ID базовой модели, ревизии, типа считывания и размерности скрытого слоя.
  • Переносимость между темами: блоки обучены на части категорий бенчмарка MMLU-Pro и без дообучения применялись на остальных задачах статьи.

Что можно сделать

  • Встроить динамическое переключение между быстрым ответом и долгим рассуждением при развёртывании Qwen3.5-4B или Qwen3.8-27B.
  • Сократить задержки и расход токенов в сервисах вопросов и ответов, отсекая задачи, где долгие размышления не улучшают результат.
  • Переобучить собственный блок за несколько минут под другую базовую модель или точность квантования с помощью кода проекта HDM-code.

Пример

from huggingface_hub import hf_hub_download
from litjev.core.block import DecisionHead

path = hf_hub_download("fredreick/HDM-blocks", "head-4b-mmlu-pro.safetensors")
block = DecisionHead.load(path)
ПодробнееОбучение: 1 154 вопроса MMLU-Pro (химия, экономика и психология отложены для проверки на 346 вопросах).
Метрики 4B (отложенные категории): точность fast-режима — 0.543, slow-режима — 0.853, AUROC пользы размышлений — 0.804.
Метрики 27B (отложенные категории): точность fast-режима — 0.650, slow-режима — 0.887, AUROC пользы размышлений — 0.879.
Ограничения: блок жёстко привязан к конкретной базе, слою (-1) и числовой точности; при смене параметров требуется переобучение.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 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.

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

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    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.

    # fredreick/HDM-blocks
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download fredreick/HDM-blocks --local-dir ~/models/HDM-blocks
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к HDM-blocks
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

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.

Семья модели

Дообучение модели

Qwen/Qwen3.5-4B
  1. Qwen3.5-4B-Baseоснова семьи
  2. Qwen3.5-4B
  3. HDM-blocks

Новые посты про версии Qwen3.5-4B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

fredreick/HDM-blocks
Автор
fredreick
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

VideoJev-2B

VideoJev-2B
Компьютерное зрение

Baphomet-1.1-4B

Baphomet-1.1-4B