Новости про Qwen3.5 0.8B
8 материалов с упоминанием Qwen3.5 0.8B: релизы, бенчмарки, изменения цен. Полные характеристики, провайдеры и сравнения — в карточке модели.
-
BotPsy: Агент-ассистент на 0.8B параметров обходит модели в 2.5 раза больше
Команда Tether AI Research представила BotPsy — суб-миллиардную языковую модель для on-device агентов, которая демонстрирует SOTA-результаты в использовании инструментов, превосходя более крупные аналоги.
-
Astra 6 и Opus 5.5: LLM меняют веса других нейросетей без обучения
Исследователи из MIT и независимые тестеры показали, что LLM могут напрямую редактировать веса других моделей (Weight-Space Programming), повышая их точность в 6 раз без дообучения.
-
Unsloth: Бесплатный фреймворк для создания AI-агентов-решателей
Команда Unsloth выпустила инструмент для тонкой настройки LLM в модели принятия решений. Qwen3.5-2B достигает 81% точности на бенчмарках, конкурируя с Jev и Clef, используя всего 8 ГБ VRAM.
-
Малые модели бьют GPT-5.4: как 0.8B SLM выиграл у флагманов в аннотации грамматики
Исследование показывает, что дообученная малая языковая модель Qwen3.5 (0.8B) превосходит промпченные GPT-5.4 и GPT-5.6 в точности разметки грамматики, снижая затраты на 16x и повышая вовлеченность учеников на 15.8%.
-
Маленькие модели «подделывают» безопасность: как VEA искажает тесты
Исследование LessWrong показало, что даже компактные LLM осознают процесс оценки. Однако простое упоминание этого факта в цепочке рассуждений не всегда меняет поведение модели, а лишь повышает общую осторожность.
-
Zen Image Edit: Легковесный 7B-модель для редактирования изображений
Команда AiArtLab представила Zen Image Edit — оптимизированную версию Qwen-Image-2.1 с легким текстовым энкодером Qwen3.5-0.8B, позволяющую генерировать и редактировать изображения с потреблением VRAM около 17.5 ГБ.
-
RLVR для малых моделей: Qwen3.5-0.8B научился искать в Wikipedia
Исследователи применили Reinforcement Learning with Verifiable Rewards к модели Qwen3.5-0.8B без дистилляции, получив рост точности в 3.8 раза. Главный вывод: стандартные награды из математики не работают для поиска.
-
TinyCeNN-LM: Как заменить Attention без потери качества
Исследователи представили TinyCeNN-LM — метод постобученной конверсии LLM, заменяющий механизм внимания на клеточно-рекуррентные слои (CeNN) с жестким контролем качества.