---
license: apache-2.0
datasets:
- dichspace/darulm
- HuggingFaceFW/fineweb-2
- RefalMachine/ruadapt_instruct_2507
language:
- ru
- en
base_model:
- Qwen/Qwen3-4B-Instruct-2507
---
Paper Link👁️
Hf ver🚀
# 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.
# Other
## Tokenization
## Versions
v1:
- [da30124570330edcb7fe487c5b1f1ba0b0c09721](https://huggingface.co/RefalMachine/RuadaptQwen3-4B-Instruct-GGUF/commit/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.