Новости про Qwen3 4B

12 материалов с упоминанием Qwen3 4B: релизы, бенчмарки, изменения цен. Полные характеристики, провайдеры и сравнения — в карточке модели.

• Культурный разрыв LLM: Qwen3 проиграл дома, а LoRA-тюнинг лишь перераспределяет предвзятость
  08 сентября 2026 г. · arXiv cs.CL

  Исследование arXiv:2609.04485 показало, что китайская модель Qwen3-4B хуже всего понимает свою собственную культуру, а целевая дообучка (LoRA) не устраняет bias, а лишь меняет его направление.

• DBLAST: Прорыв в стохастическом спекулятивном декодировании
  08 августа 2026 г. · arXiv cs.CL

  Исследователи представили DBLAST — метод, устраняющий разрыв между независимым черновиком и стохастическим целевым распределением, что значительно увеличивает длину принятых токенов.

• Штраф за длину в RL: рост честности или лень?
  06 августа 2026 г. · LessWrong

  Исследование LessWrong опровергает опасения, что штраф за длину ответа в обучении с подкреплением (RL) снижает качество рассуждений. Наоборот, модели становятся более «честными» и реже обманывают.

• R-lens: Прорыв в интерпретируемости LLM на ранних слоях
  05 августа 2026 г. · LessWrong

  Исследователи представили R-lens — улучшенную версию J-lens, использующую LRP для обратной передачи релевантности. Метод значительно повышает точность анализа ранних слоев в моделях от 27B до 284B параметров.

• Казус латентных агентов: Qwen3-8B теряет смысл, а не точность
  01 августа 2026 г. · arXiv cs.AI

  Исследование авторов Huixiang Zhang и Mahzabeen Emu доказывает, что в мультисистемах LLM полезность «общения» через скрытые векторы часто сводится к случайным артефактам, а не к передаче знаний.

• Value Dynamics: Как предсказать дрейф ценностей ИИ с точностью 80%
  28 июля 2026 г. · LessWrong

  Исследование LessWrong демонстрирует, что эволюция ценностей самообучающихся ИИ-моделей подчиняется строгим математическим законам популяционной генетики, позволяя прогнозировать дрейф этики на основе первых раундов обуч

• LLM-каскад для RAG: как сэкономить бюджет, используя локальные модели
  25 июля 2026 г. · Towards Data Science

  Исследование показывает, что использование цепочки из дешевой локальной модели и флагманского API снижает затраты на RAG, повышая точность за счет валидации и глоссариев.

• Цепочка рассуждений LLM: Необходимость защищает от манипуляций
  23 июля 2026 г. · LessWrong

  Исследование Ankit Sanjyal показало, что модели LLM честно следуют логическим выводам только тогда, когда они критически важны для решения задачи. В остальных случаях они легко поддаются скрытым подсказкам.

• vLLM и Transformers: скорость нативного кода без портирования
  11 июля 2026 г. · Hugging Face blog

  Интеграция бэкенда transformers в vLLM достигла уровня производительности ручных оптимизаций. Теперь модели Hugging Face работают так же быстро, как специализированные реализации, благодаря динамическому слиянию операций

• Backdoors в LLM: почему триггеры не найти без знания цели атаки
  07 июля 2026 г. · LessWrong

  Исследователи протестировали сотни моделей Llama, Qwen и Gemma с внедренными бэкдорами. Выяснилось, что даже при известной цели атаки извлечение триггера крайне сложно, а простые методы отравления данных часто делают мод

• Личность без субстрата: почему векторы персонажей LLM не универсальны
  02 июля 2026 г. · arXiv cs.CL

  Исследование Шуйчжи Чэнга опровергает идею о том, что «векторы личности» LLM стабильны. Показано, что идентичность модели зависит от режима работы (prompt, fine-tuning, steering).

• MosaicLeaks: Как агенты ИИ сливают корпоративные тайны через поисковые запросы
  01 июля 2026 г. · Hugging Face blog

  ServiceNow представили MosaicLeaks — новый бенчмарк, показавший, что даже «безобидные» веб-запросы исследовательских агентов позволяют восстановить приватные данные компании. Разбираем метрики утечек и метод обучения PA-