Qwen3-4b-tcomanr-mergeオープンソース言語モデル - コードと数学の能力を融合し、言語処理能力が非常に強力です

ホーム

Qwen3 4b Tcomanr Merge

ertghiu256によって開発

複数のQwen 3微調整モデルを統合した言語モデルで、コードと数学の能力を融合し、強力な言語処理機能を提供します。

大規模言語モデル

Transformers

#マルチモーダル推論 #コード生成の最適化 #数学能力の強化

ダウンロード数 267

リリース時間 : 7/17/2025

モデル概要

本プロジェクトは、複数の事前学習言語モデルを統合したモデルで、mergekitツールを利用して複数のQwen 3微調整モデルを統合し、コードと数学の能力を融合し、ユーザーにより強力な言語処理機能を提供することを目的としています。

モデル特徴

多モデル統合

TIES方法を使用して複数のQwen 3微調整モデルを統合し、各モデルの長所を融合します。

コードと数学の能力

コード生成と数学推論の能力を特に強化しました。

思考モード

思考モードと非思考モードの切り替えをサポートし、推論能力を強化します。

長文脈サポート

最大32768トークンの文脈長をサポートします。

モデル能力

テキスト生成

コード生成

数学推論

論理推論

多輪対話

使用事例

プログラミング支援

コード生成

自然言語の説明に基づいてコード断片を生成します。

コード解釈

複雑なコードの機能とロジックを解釈します。

数学アプリケーション

数学問題の解決

代数、幾何などの様々な数学問題を解決します。

数学推論

複雑な数学的論理推論を行います。

コンテンツ作成

テキスト生成

記事、レポートなどの様々なテキストコンテンツを生成します。

🚀 ertghiu256/Qwen3-4b-tcomanr-merge

このモデルは、mergekitを使用して複数の事前学習言語モデルをマージしたもので、コードと数学の能力を統合することを目的としています。

🚀 クイックスタート

このモデルは、複数のQwen 3ファインチューニングモデルをマージすることで、コードと数学の能力を結合することを目指しています。以下に、このモデルの実行方法をいくつか紹介します。

📦 インストール

このモデルを使用するには、必要なライブラリをインストールする必要があります。以下のコマンドを実行してください。

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "ertghiu256/Qwen3-4b-tcomanr-merge"

# トークナイザーとモデルをロード
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

# モデル入力を準備
prompt = "Give me a short introduction to large language model."
messages = [
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True # 思考モードと非思考モードを切り替えます。デフォルトはTrueです。
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# テキスト生成を実行
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=32768
)
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist() 

# 思考内容を解析
try:
    # rindexで151668 (</think>)を検索
    index = len(output_ids) - output_ids[::-1].index(151668)
except ValueError:
    index = 0

thinking_content = tokenizer.decode(output_ids[:index], skip_special_tokens=True).strip("\n")
content = tokenizer.decode(output_ids[index:], skip_special_tokens=True).strip("\n")

print("thinking content:", thinking_content)
print("content:", content)

vllmを使用する場合

以下のコマンドを実行してください。

vllm serve ertghiu256/Qwen3-4b-tcomanr-merge --enable-reasoning --reasoning-parser deepseek_r1

Sglangを使用する場合

以下のコマンドを実行してください。

python -m sglang.launch_server --model-path ertghiu256/Qwen3-4b-tcomanr-merge --reasoning-parser deepseek-r1

llama.cppを使用する場合

以下のコマンドを実行してください。

llama-server --hf-repo ertghiu256/Qwen3-4b-tcomanr-merge

または

llama-cli --hf ertghiu256/Qwen3-4b-tcomanr-merge

ollamaを使用する場合

以下のコマンドを実行してください。

ollama run hf.co/ertghiu256/Qwen3-4b-tcomanr-merge:Q4_K_M

lm studioを使用する場合

lm studioのモデル検索リストで以下を検索し、ダウンロードしてください。

ertghiu256/Qwen3-4b-tcomanr-merge

推奨パラメータ

temp: 0.6
num_ctx: ≥8192
top_p: 0.95
top_k: 10

🔧 技術詳細

マージ詳細

このモデルは、TIESマージ方法を使用し、Qwen/Qwen3-4Bをベースモデルとしてマージされています。

マージに含まれるモデル

設定

以下のYAML設定を使用してこのモデルが生成されています。

models:
  - model: ertghiu256/qwen3-math-reasoner
    parameters:
      weight: 0.7
  - model: ertghiu256/qwen3-4b-code-reasoning
    parameters:
      weight: 0.8
  - model: ertghiu256/qwen-3-4b-mixture-of-thought
    parameters:
      weight: 0.9
  - model: POLARIS-Project/Polaris-4B-Preview
    parameters:
      weight: 0.7
  - model: ertghiu256/qwen3-multi-reasoner
    parameters:
      weight: 0.8
  - model: ValiantLabs/Qwen3-4B-Esper3
    parameters:
      weight: 0.8
  - model: Tesslate/UIGEN-T3-4B-Preview-MAX
    parameters:
      weight: 0.8
  - model: ValiantLabs/Qwen3-4B-ShiningValiant3
    parameters:
      weight: 0.9
  - model: prithivMLmods/Crux-Qwen3_OpenThinking-4B
    parameters:
      weight: 0.4
merge_method: ties
base_model: Qwen/Qwen3-4B
parameters:
  normalize: true
  int8_mask: true
dtype: float16