К содержимому
Языковые модели

Qwen3.5-0.8B-SGNE-CC

компактная LLM с точечной правкой весов и короткими рассуждениями

2 мин чтенияобновлено

Компактная языковая модель на базе Qwen/Qwen3.5-0.8B (0.87 млрд параметров) от исследователя Nondual-Observer, улучшенная методом DNA Weight Editing (точечного редактирования весов без дообучения всей сети). В отличие от подхода MIT-p50c, который раздувает нормы весов и заставляет модель генерировать слишком длинные цепочки с частыми обрывами, здесь применяется алгоритм SGNE-CC (сохраняющий нормы столбцов весов). В результате модель решает математические, логические и кодовые задачи на уровне более крупных рассуждающих версий, но отвечает в несколько раз короче и стабильно работает даже при жадной генерации (temperature 0). Подойдёт для локального запуска на слабом железе и в задачах, где важны быстрые и лаконичные рассуждения без лишней воды.

Ключевые особенности

  • Минимальное вмешательство: затронуто всего 0.27% текстовых весов (1,984 столбца в слоях feed-forward и рекуррентных слоях GatedDeltaNet), а отклонение норм не превышает 0.1625%.
  • Короткие ответы без обрывов: на MATH-500 цепочки рассуждений в 4.1 раза короче, чем у MIT-p50c, а доля обрывов по лимиту 32,768 токенов упала в 20.7 раза — до 1.6%.
  • Стабильность при temperature 0: без штрафа за повторы модель набирает 44% строгой точности на выборке MATH-500 против 0% у базовой Qwen3.5-0.8B и 4% у MIT-p50c.
  • Мультиязычность: поддерживает 8 языков, включая русский, английский, китайский, немецкий, испанский, французский, японский и арабский.
  • Два формата поставки: готовый чекпоинт BF16 (model.safetensors) и отдельный бинарный патч на 3.13 МиБ для независимой проверки контрольных сумм SHA-256.

Что можно сделать

  • Развернуть лёгкий локальный API-сервер через vLLM, SGLang или Transformers для решения школьной математики, логических задач и генерации Python-кода.
  • Воспроизвести эксперимент и проверить геометрию весов с помощью скрипта apply_dna_patch.py --verify-only поверх официальной Qwen/Qwen3.5-0.8B.
  • Использовать в сценариях с жёстким бюджетом на токены и задержку, где длинные рассуждения обычных reasoning-моделей не укладываются в лимит контекста.

Пример

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = "Nondual-Observer/Qwen3.5-0.8B-SGNE-CC"
tok = AutoTokenizer.from_pretrained(repo_id)
model = AutoModelForCausalLM.from_pretrained(repo_id, dtype=torch.bfloat16, device_map="auto")
ПодробнееMATH-500 (все 500 задач, card): 47.0% против 7.8% у базовой Qwen3.5-0.8B (в среднем 5.3k токенов на ответ).
BBH-160 (символьная логика): 41.3% против 1.9% у базы; HumanEval-164 (код на Python): 28.0% против 15.9%.
MGSM-240 (мультиязычная математика): 41.7% против 25.8% у базы (ниже, чем у MIT-p50c с 57.1%).
Ограничения: при проверке мультиязычной генерации MultiSpeech-64 сохраняются зацикливания на немецком языке; лицензия Apache-2.0.
Примеры
Обсудить Telegram 0 36

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.

    # Nondual-Observer/Qwen3.5-0.8B-SGNE-CC — 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 Nondual-Observer/Qwen3.5-0.8B-SGNE-CC --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к Qwen3.5-0.8B-SGNE-CC
  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. Qwen3.5-0.8B-SGNE-CC

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

Nondual-Observer/Qwen3.5-0.8B-SGNE-CC
Автор
Nondual-Observer
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

360

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии