К содержимому
Компьютерное зрение

Qwen3.8-27B-RFT-v1

меньше reasoning-токенов при той же точности

2 мин чтенияобновлено

Это дообученная версия Qwen/Qwen3.8-27B на 27,78 млрд параметров: она решает те же задачи, но при включённом thinking тратит примерно на 10–30% меньше токенов рассуждения. Автор применил rejection-sampling fine-tuning (RFT): база сама отвечала на тренировочные задачи, программа проверяла ответы, а обучение шло на собственных правильных и самых коротких решениях — без teacher-модели. Визуальная часть не менялась. Подойдёт для чат-ботов, агентов и генерации кода, где важны стоимость и скорость инференса.

Ключевые особенности

  • Точность статистически не отличается от базы: по McNemar test ни одно различие не значимо (наименьшее p = 0,12 при thinking on).
  • Экономия reasoning-токенов на правильный ответ: −31% на MMLU-Pro, −30% на HumanEval, −13% на GSM8K.
  • Обучение: LoRA rank 64, alpha 128, 1,5 эпохи, lr 1e-4, последовательности до 32 768 токенов; adapter слит с базой в fp32 и сохранён в bfloat16.
  • Vision tower не переобучали — визуальный энкодер остался от базовой модели.

Что можно сделать

  • Заменить базовую Qwen3.8-27B в чат-боте или агенте, чтобы снизить расход токенов на reasoning без заметной потери качества.
  • Использовать для генерации кода: на HumanEval RFT тратит на 30% меньше reasoning-токенов при сопоставимой точности.
  • Применять в мультиязычных задачах: на German MMLU (subset) при thinking on RFT чуть выше базы — 86,5 против 83,5.
  • Запускать через Transformers, vLLM или SGLang: шаблон чата и управление thinking не изменились.

Пример

Сценарий из карточки: на задаче GSM8K при thinking on RFT v1 даёт 97,88% против 97,95% у базы, но тратит 338 reasoning-токенов вместо 389.

ПодробнееБенчмарки (thinking on): MATH-500 — 98,40 против 98,20; HumanEval — 95,73 против 93,90; IFEval — 90,76 против 89,09.
Reasoning-токенов на правильный ответ: MMLU-Pro −31%, HumanEval −30%, GSM8K −13%.
Ограничения: модель не точнее базы; MTP-голову не переобучали, speculative decoding может принимать меньше токенов; оценки из собственного harness, не для сравнения с внешними публикациями.
Лицензия Apache 2.0, как у базы.
Обсудить Telegram 0 5

Запустится ли?

Запустится в 4-bit

Полная точность не влезет, но сжатая версия поместится — качество почти не страдает до 8 бит, заметнее на 4 битах.

  • BF16веса 52 GB · готовые файлы57 GB
  • FP8 / INT8рекомендуемвеса 26 GB29 GB
  • 4-bitвеса 15 GB17 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.

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.

    # ghostrider0470/Qwen3.8-27B-RFT-v1
    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 ghostrider0470/Qwen3.8-27B-RFT-v1 --local-dir ~/models/Qwen3.8-27B-RFT-v1
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3.8-27B-RFT-v1
  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/Qwen3.8-27B

Новые посты про версии Qwen3.8-27B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 2Все на Hugging Face

О модели

ghostrider0470/Qwen3.8-27B-RFT-v1
Автор
ghostrider0470
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

50

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии