Luqwen-4B

Luqwen-4B — русскоязычная текстовая модель, полученная дообучением Qwen3.5-4B-Base методом LoRA (QLoRA) на наборе русскоязычных инструкций. Модель предназначена для следования инструкциям на русском языке.

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

Свойство	Значение
Архитектура	Qwen3.5 For Causal LM (гибрид Linear/Full Attention)
Параметров	4B
Скрытая размерность	1024
Слоёв	24
Контекст	до 262 144 токенов
Вокабуляр	248 320 (padding)
MTP	1 слой

Подробнее: Qwen3.5-4B-Base

Training data

Модель дообучалась на датасете russian-instructions-10k — ~10k русскоязычных пар инструкция-ответ (CC BY-NC 4.0).

Pipeline подготовки данных:

1. Фильтрация 10k примеров из Alpaca Cleaned (все coding + math, остальные random)
2. Перевод с английского на русский через Gemma 4 26B (llama.cpp API)
3. Очистка от непереведённых примеров (27 записей)
4. Конвертация в ChatML-формат

Состав датасета:

Категория	Количество
General	~8 812
Math	~603
Coding	~560
Total	~9 975

Training procedure

Параметры LoRA

Параметр	Значение
rank (r)	16
lora_alpha	32
lora_dropout	0
bias	none
Целевые модули	q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj, in_proj_qkv, in_proj_z, out_proj, in_proj_a, in_proj_b

Гиперпараметры обучения

Параметр	Значение
Оптимизатор	AdamW 8-bit
Precision	BF16 (mixed)
Batch size	1 (8 gradient accumulation steps)
Learning rate	2e-4
Эпохи	3
Warmup steps	20
Max seq length	4096 токенов
Обёртка	unsloth (4-bit QLoRA)

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/Luqwen-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 короткий рассказ о коте и луне."},
]

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)

Использование с vLLM

from vllm import LLM, SamplingParams

llm = LLM(model="LLiserginov/Luqwen-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)

Limitations

• Модель дообучена на малом объёме данных (~10k примеров), что может ограничивать качество и разнообразие ответов
• Датасет переведён машинным способом (Gemma 4 26B) — возможны артефакты, буквализмы и потеря смысла
• 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 CC BY-NC 4.0 (Creative Commons Attribution Non Commercial 4.0) ввиду ограничений производного датасета.

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