К содержимому
Языковые модели

Diogenes-9B-v1

версия Qwen3.5-9B без цензурных шаблонов

2 мин чтенияобновлено

Исследовательский файнтюн от TendieLabs на базе языковой модели Qwen3.5-9B (9.41 млрд параметров). Модель обучили методом SFT (дообучение с учителем на готовых ответах) с помощью LoRA на отфильтрованной части датасета Arete от Nous Research, чтобы она отвечала прямее и реже воспроизводила официальную риторику китайских властей по политическим вопросам. В отличие от оригинальной базы, Diogenes-9B почти не уходит в отказы на чувствительные темы, сохраняя при этом штатный модуль MTP (предсказание нескольких токенов за шаг) и замороженный визуальный блок. Подойдёт исследователям, энтузиастам локальных LLM и разработчикам, которым нужна компактная модель с меньшим количеством политических фильтров.

Ключевые особенности

  • Снижение цензурных отказов: на тесте из 803 политических вопросов доля ответов с официальными нарративами КНР упала с 36.36% (292/803) до 3.61% (29/803), а число прямых отказов сократилось с 40 до 1.
  • Больше фактов в ответах: средний балл полноты обязательных фактов на том же наборе вырос с 2.61 до 3.32 из 5.
  • Сохранена нативная MTP-голова: при слиянии весов в формат BF16 разработчики перенесли все 15 тензоров mtp.* и замороженный энкодер изображений.
  • Компромисс по кодингу: на подвыборке HumanEval без режима рассуждений (non-thinking) точность просела с 93.75% до 78.12%, хотя математика на GSM8K осталась на уровне базы (93.75%).

Что можно сделать

  • Изучать поведение и выравнивание LLM: сравнивать ответы оригинальной Qwen3.5-9B и дообученной версии на чувствительных или историко-политических запросах.
  • Развернуть локального ассистента для справочных задач: использовать как компактную 9B-модель в чат-ботах, где критично отсутствие ложных отказов при сохранении базовой логики и математики.
  • Тестировать спекулятивное декодирование: проверить работу сохранённой однослойной MTP-головы в поддерживаемых движках инференса.

Пример

На тесте из 803 политических запросов Censorship & Propaganda Eval модель в режиме без рассуждений (greedy decoding, лимит 1024 токена) сократила количество отказов с 40 до 1 по сравнению с Qwen3.5-9B и подняла оценку покрытия фактов до 3.32 из 5. Для снижения риска зацикливания на редких вопросах авторы рекомендуют использовать сэмплирование (sampled decoding), штраф за повторы (presence penalty) или системный промпт из обучающего набора.

ПодробнееБенчмарки (замерены на несмердженном LoRA-адаптере): политический тест (803 вопроса) — 3.32/5 против 2.61/5 у базы; GSM8K (64 задачи, non-thinking) — 93.75%; HumanEval (32 задачи, non-thinking) — 78.12% против 93.75%.
Обучение: 1 эпоха (692 шага) на 5 535 примерах с rank-16 LoRA на двух NVIDIA RTX 3090 (по 24 ГБ VRAM) за 72 минуты.
Ограничения: слитый BF16-чекпоинт не прошёл строгую проверку побитовой эквивалентности логитов на CPU, а качество самого мерджа и скорость MTP-головы отдельно не тестировались; возможны галлюцинации и зацикливания при greedy-генерации.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 18 GB · готовые файлы20 GB
  • FP8 / INT8рекомендуемвеса 8.8 GB10 GB
  • 4-bitвеса 4.9 GB6.5 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 2080 Ti · BF16 — от RTX 4090

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.

    # TendieLabs/Diogenes-9B-v1 — 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 TendieLabs/Diogenes-9B-v1 --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к Diogenes-9B-v1
  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/Qwen3.5-9B
  1. Qwen3.5-9B-Baseоснова семьи
  2. Qwen3.5-9B
  3. Diogenes-9B-v1

Новые посты про версии Qwen3.5-9B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 6Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

TendieLabs/Diogenes-9B-v1
Автор
TendieLabs
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии