К содержимому
Компьютерное зрение

Qwen3.5-2B Distilled GRPO Uncensored

маленькая модель, которая рассуждает и реже отказывает

2 мин чтения

Файнтюн Qwen/Qwen3.5-2B от KARAGE-KUN: дистилляция chain-of-thought плюс uncensored-инструктаж (SFT), а затем RL через GRPO на GSM8K. LoRA-адаптеры вмерджены в базовую модель, так что это самостоятельный чекпоинт в fp16 safetensors весом 4.43 ГБ.

Ключевые особенности

  • SFT-этап на 6 000 примерах: 4 500 трасс рассуждений из OpenThoughts-114k и 1 500 примеров без отказов из Dolphin.
  • LoRA r=16 — 16 819 200 обучаемых параметров, всего 0.7542% модели.
  • Второй этап — GRPO: 2 000 промптов GSM8K, 150 шагов, 4 генерации на промпт.
  • Награда: +1.0 за верный финальный ответ, +0.2 за правильный формат (reasoning-блок и \boxed{}).
  • В репозитории лежат отдельные адаптеры sft_adapter/ и grpo_adapter/ по 33.69 МБ — для повторного мерджа или продолжения обучения.

Пример

from transformers import Qwen3_5ForConditionalGeneration, AutoProcessor
model_id = "KARAGE-KUN/Qwen3.5-2B-Distilled-GRPO-Uncensored"
model = Qwen3_5ForConditionalGeneration.from_pretrained(model_id, torch_dtype="auto", device_map="auto")
processor = AutoProcessor.from_pretrained(model_id)
messages = [{"role": "user", "content": [{"type": "text", "text": "A baker makes 12 muffins per tray and bakes 7 trays. He sells 59 muffins. How many are left?"}]}]
inputs = processor.apply_chat_template(messages, tokenize=True, add_generation_prompt=True, return_dict=True, return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=512)
print(processor.decode(out[0][inputs["input_ids"].shape[-1]:], skip_special_tokens=True))
ПодробнееGSM8K на 30 вопросах: 0.600 → 0.667. Отказы на 8 пробах: 0.25 → 0.125 — это малые внутренние наборы, не лидерборд.
Вес fp16 — 4.43 ГБ, обучение заняло 8 ч 32 мин на Kaggle 2×T4 (TRL / PEFT).
Обучение было текстовым: vision-башня унаследована от базовой модели и после файнтюна не оценивалась.
Модель может отвечать на запросы, от которых отказываются safety-настроенные модели; на 2B-масштабе возможны ошибки в рассуждениях и фактах.
Обсудить Telegram 0 21

Запустится ли?

Запустится в F16

Влезает без сжатия.

  • F16веса 4.1 GB · готовые файлы5.0 GB
  • FP8 / INT8рекомендуемвеса 2.1 GB2.8 GB
  • 4-bitвеса 1.2 GB1.8 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 · F16 — 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.

    # KARAGE-KUN/Qwen3.5-2B-Distilled-GRPO-Uncensored
    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 KARAGE-KUN/Qwen3.5-2B-Distilled-GRPO-Uncensored --local-dir ~/models/Qwen3.5-2B-Distilled-GRPO-Uncensored
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3.5-2B-Distilled-GRPO-Uncensored
  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/Qwen3.5-2B
  1. Qwen3.5-2B-Baseоснова семьи
  2. Qwen3.5-2B
  3. Qwen3.5-2B-Distilled-GRPO-Uncensored

Новые посты про версии Qwen3.5-2B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 10Все на Hugging Face
Слияния 2Все на Hugging Face

О модели

KARAGE-KUN/Qwen3.5-2B-Distilled-GRPO-Uncensored
Автор
KARAGE-KUN
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

210

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии