К содержимому
Другое

qwen3.5-4b-prune_width_ffn15_lora_kd

сжатая версия LLM с дистилляцией знаний

2 мин чтения

Эта модель представляет собой результат эксперимента по сжатию языка и дистилляции знаний (knowledge distillation, когда меньшая модель обучается повторять ответы более крупной «учительской» модели). За основу взята урезанная версия mrysh/qwen3.5-4b-prune_width_ffn15 с уменьшенной на 15% шириной MLP (многослойного перцептрона), для которой провели дообучение с помощью LoRA (небольшой настраиваемой надстройки над базовой моделью) на корпусе из 20 миллионов токенов. После обучения веса LoRA были слиты обратно в модель, поэтому на выходе получается обычный чекпоинт с уменьшенным размером на диске и архитектурой исходной урезанной модели. Модель пригодится исследователям и разработчикам, которые ищут более быстрые и компактные версии LLM для запуска на ограниченных ресурсах.

Ключевые особенности

  • Дистилляция знаний: использовалась KL-дивергенция для приближения распределения токенов урезанной модели к оригинальной Qwen/Qwen3.5-4B.
  • Обучение на качественных данных: задействованы тексты из FineWeb-Edu, диалоги OpenAssistant и специальные запросы из бенчмарков BFCL и MedQA.
  • Сохраненный размер: весит 7.74 ГБ на диске (против 8.41 ГБ у оригинала) при идентичной структуре урезанной версии.
  • Высокая скорость: скорость генерации на одном пользователе достигает 79.6 токенов в секунду на GPU L40 через vLLM.

Что можно сделать

  • Интеграция в пайплайны: использовать модель в качестве более легкой замены базовой Qwen3.5-4B для текстовых задач.
  • Тестирование функций: проверять качество работы с вызовом функций (function-calling) на базе бенчмарка BFCL.
  • Запуск в сервисах: развернуть модель через vLLM для быстрого инференса в ботах и приложениях.

Пример

Загружайте модель стандартным образом, как базовую Qwen3.5-4B, учитывая измененную ширину слоев:

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "mrysh/qwen3.5-4b-prune_width_ffn15_lora_kd"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto"
)
Подробнее• Бенчмарки: BFCL (всего) — 86.4% (у оригинала 88.0%); MedQA — 61.5% (у оригинала 70.8%, у урезанной без дистилляции — 56.5%); Hiring bias — 81.9%.
• Требования к железу: Размер на диске 7.74 ГБ, скорость 79.6 токенов/с (vLLM, L40).
• Детали обучения: LoRA (rank 64, alpha 128) на всех линейных слоях текстового декодера, 606 шагов оптимизатора, LR 0.0001 с косинусным затуханием.
• Ограничения: Тесты проводились с выключенным режимом thinking и greedy decoding, результаты показывают поведение на специфических датасетах обучения.
Обсудить Telegram 0 21

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 7.2 GB · готовые файлы8.4 GB
  • FP8 / INT8рекомендуемвеса 3.6 GB4.5 GB
  • 4-bitвеса 2.0 GB2.7 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 3080

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.

    # mrysh/qwen3.5-4b-prune_width_ffn15_lora_kd
    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 mrysh/qwen3.5-4b-prune_width_ffn15_lora_kd --local-dir ~/models/qwen3.5-4b-prune_width_ffn15_lora_kd
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к qwen3.5-4b-prune_width_ffn15_lora_kd
  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

mrysh/qwen3.5-4b-prune_width_ffn15
  1. Qwen3.5-4B-Baseоснова семьи
  2. Qwen3.5-4B
  3. qwen3.5-4b-prune_width_ffn15
  4. qwen3.5-4b-prune_width_ffn15_lora_kd

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

mrysh/qwen3.5-4b-prune_width_ffn15_lora_kd
Автор
mrysh
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

210

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии