Luqwen3-4B

Luqwen3-4B

Luqwen3-4B — русскоязычная текстовая модель, полученная дообучением Qwen3.5-4B-Base методом LoRA (QLoRA) на смешанном датасете из реальных диалогов с LLM, креативных текстов и специализированных инструкций. Модель сочетает способность следовать инструкциям, вызывать инструменты, решать задачи по математике, физике, истории и аналитике, а также генерировать выразительные литературные тексты.

Базовая модель Qwen3.5-4B-Base использует гибридную архитектуру (Gated DeltaNet + Full Attention) с контекстом до 262k токенов, что обеспечивает эффективный инференс при сохранении качества генерации.

Base model

Подробнее: Qwen3.5-4B-Base

Training data

Датасет для обучения состоит из трёх частей:

50% — Креативное письмо

Оригинальные тексты, написанные Claude Opus 4.6, затем переведённые на русский язык с помощью Gemma 4 26B. После перевода был сделан ещё один проход Gemma 4 26B для исправления ошибок перевода, а затем выполнена ручная доработка и редактура текстов.

25% — Реальные диалоги пользователя с LLM

Диалоги включают:

• Задачи с использованием инструментов (tool calling) — вызов API, работа с файлами, команды
• Логические и рассуждающие задачи
• Кодинг — написание, отладка и объяснение кода
• Общие инструкции и вопросы

25% — Инструкционный датасет на русском языке

Примеры решения задач по категориям:

• Математика — алгебра, геометрия, задачи с рассуждениями
• Физика — механика, термодинамика, электродинамика
• Код — примеры решения задач по программированию
• История — вопросы и анализ исторических событий
• Аналитика — интерпретация данных, выводы и прогнозы

Pipeline подготовки данных

1. Сбор диалогов с LLM (tool-calling, код, логика) — анонимизация, форматирование в ChatML
2. Написание креативных текстов на английском через Claude Opus
3. Перевод текстов на русский через Gemma 4 26B
4. Проход Gemma 4 26B для исправления ошибок перевода
5. Ручная доработка и редактура текстов
6. Составление инструкционного датасета (математика, физика, код, история, аналитика)
7. Фильтрация и дедупликация
8. Конвертация в ChatML-формат

Training procedure

Параметры LoRA

Гиперпараметры обучения

Слияние весов

После обучения LoRA-адаптер был слит с базовой моделью в 16-bit точность (метод merged_16bit через unsloth) для удобного использования без дополнительных зависимостей PEFT.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "LLiserginov/Luqwen3-4B"

tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto",
    trust_remote_code=True,
)

messages = [
    {"role": "user", "content": "Напиши рассказ о одиноком фонаре в осеннем парке."},
]

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
)

inputs = tokenizer(text, return_tensors="pt").to(model.device)

outputs = model.generate(
    **inputs,
    max_new_tokens=1024,
    temperature=0.7,
    top_p=0.9,
    do_sample=True,
)

response = tokenizer.decode(outputs[0][inputs.input_ids.shape[1]:], skip_special_tokens=True)
print(response)

Вызов инструментов

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "LLiserginov/Luqwen3-4B"

tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto",
    trust_remote_code=True,
)

messages = [
    {"role": "user", "content": "Узнай текущую погоду в Москве."},
]

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
)

inputs = tokenizer(text, return_tensors="pt").to(model.device)

outputs = model.generate(
    **inputs,
    max_new_tokens=256,
    temperature=0.3,
    top_p=0.9,
    do_sample=True,
)

response = tokenizer.decode(outputs[0][inputs.input_ids.shape[1]:], skip_special_tokens=True)
print(response)

Использование с vLLM

from vllm import LLM, SamplingParams

llm = LLM(model="LLiserginov/Luqwen3-4B", trust_remote_code=True)

messages = [
    {"role": "user", "content": "Объясни разницу между supervised и unsupervised learning."},
]

outputs = llm.chat(messages, sampling_params=SamplingParams(temperature=0.7, max_tokens=1024))
print(outputs[0].outputs[0].text)

GGUF (llama.cpp)

GGUF-версию модели можно найти в файлах или сконвертировать самостоятельно:

git clone https://github.com/ggml-ai/llama.cpp
cd llama.cpp
python convert_hf_to_gguf.py /path/to/Luqwen3-4B --outfile Luqwen3-4B.Q4_K_M.gguf --outtype q4_K_M

Limitations

• Креативный датасет переведён машинным способом (Gemma 4 26B) — даже после исправления ошибок перевода и ручной доработки возможны артефакты и буквализмы
• Инструкционный датасет ограничен по объёму — покрытие тем по математике, физике, истории и аналитике неполное
• Модель не проходила RLHF/DPO-калибровку и может генерировать нежелательный или фактически неверный контент
• Не предназначена для использования в медицинских, юридических или других критических областях
• Это текстовая версия — мультимодальные возможности Qwen3.5 (изображения, видео) не используются

License

Модель распространяется под лицензией Apache 2.0.

Базовая модель: Qwen3.5-4B-Base — Apache 2.0.