RuadaptQwen3-4B-Instruct-GGUF

<p align="left"> <a href="https://jle.hse.ru/article/view/22224"><b>Paper Link</b>👁️</a> <br> <a href="https://huggingface.co/RefalMachine/RuadaptQwen3-4B-Instruct"><b>Hf ver</b>🚀</a> </p> <hr>

RU

Описание модели

GGUF Ruadapt версия инструктивной модели Qwen/Qwen3-4B-Instruct-2507. В модели был заменен токенизатор, затем произведено дообучение (Continued pretraining) на русскоязычном корпусе, после чего была применена техника LEP (Learned Embedding Propagation).

Благодаря новому токенизатору (расширенный tiktoken cl100k с помощью униграм токенизатора на 48 т. токенов) скорость генерации* русскоязычных текстов возрасла до 100% (в зависимости от длины контекста) по сравнению с исходной моделью.

*Под скоростью генерации подразумевается количество русскоязычных символов/слов в секунду на одинаковых текстовых последовательностях.

Важно

Веса модели могут обновляться по мере получения новых версий. Информацию о версиях будет в самом конце README, там же фиксируются даты и коммиты версий, чтобы всегда можно было использовать предыдущие варианты при необходимости.

Ответы модели не отражают мнения авторов, а лишь повторяют знания полученные из данных на всех этапах обучения (предобучение, смена токенизатора, обучение на инструкциях, калибровка качества ответов). Модель была получена из сторонней предобученной модели, контроль за предобучением которой не является ответственностью текущих авторов. При создании данной версии модели не производилось никаких дополнительных действий, направленных на изменение заложенных в LLM "мнений". Используйте с осторожностью.

Рекомендуемые параметры генерации

Для более стабильной работы рекомендуется использовать низкие температуры 0.0-0.3, top_p в диапазоне от 0.85 до 0.95 и repetition_penalty 1.05 (зависит от задач, но если уходит в циклы, то пробуйте поднять repetition_penalty. В случае же RAG, возможно наоборот снизить до 1.0).

Метрики

EN

Model Description

Ruadapt version of Qwen/Qwen3-4B-Instruct-2507.
In this model the tokenizer was replaced, followed by continued pre-training on a Russian-language corpus, after which the LEP (Learned Embedding Propagation) technique was applied.

Thanks to the new tokenizer (an extended tiktoken cl100k, augmented with a 48 k russian tokens), the generation speed* of Russian-language texts has increased by up to 100 % (depending on context length) compared with the original model.

Generation speed is understood as the number of Russian characters/words produced per second on identical text sequences.

Important

The model may be updated as new versions become available. Version information is provided at the very end of the README, where dates and commits are logged so that previous versions can always be used if necessary.

The model’s answers do not reflect the authors’ opinions; they merely reproduce the knowledge obtained from data at all training stages (pre-training, tokenizer replacement, instruction tuning, answer-quality calibration). The model is based on a third-party pretrained model, and the current authors are not responsible for its initial pre-training. No additional actions were taken to modify the “opinions” embedded in the LLM while creating this version. Use with caution.

<hr>

Other

Tokenization

Versions

v1:

• da30124570330edcb7fe487c5b1f1ba0b0c09721
• Внутреннее имя/Alias: RuadaptQwen3-4B-Instruct-v1 (new, 2507)
• Дата/Date: 26.08.2025

How to cite:

Tikhomirov M., Chernyshov D. Facilitating Large Language Model Russian Adaptation with Learned Embedding Propagation //Journal of Language and Education. – 2024. – Т. 10. – №. 4. – С. 130-145.