Qwen3 4B NexusPrime
高性能、多领域AI模型,采用MergeKit的Model Stock融合技术构建,整合了多个精调优化的Qwen3-4B模型,在结构化输出和技术应用场景中展现出卓越的推理、编程及多步骤问题解决能力。
下载量 24
发布时间 : 5/12/2025
模型简介
ZeroXClem-Qwen3-4B-NexusPrime是一款高性能、多领域AI模型,适配标准Qwen3对话模板,适合推理、编程及多步骤问题解决。
模型特点
高级符号推理
结合QWQ与iCoT技术实现多步骤数学求解
高效代码生成
支持多编程语言的逻辑密集型任务
跨领域灵活性
无缝切换STEM/技术文档/结构化推理场景
多语言理解
基于多样化数据集训练,支持技术文档跨语言转换
部署友好
适配中端GPU,兼顾小团队与大规部署需求
模型能力
文本生成
符号推理
代码生成
多语言理解
结构化输出
多步骤问题解决
使用案例
教育
数学问题求解
解决复杂的数学问题,包括符号运算与逻辑任务
高精度推理,输出LaTeX/JSON/Markdown格式结果
技术教育
支持多语言技术教育场景,如Python/C++等语言的逻辑任务
高效处理多语言逻辑任务
开发
代码生成
生成Python/JavaScript/C++等语言的代码
优化JSON/Markdown/YAML等结构化输出
技术文档生成
生成技术文档,支持多种格式输出
高效生成结构化技术文档
🚀 ZeroXClem-Qwen3-4B-NexusPrime
ZeroXClem-Qwen3-4B-NexusPrime 是一个高性能、多领域的人工智能模型,它使用 Model Stock 方法,借助 MergeKit 工具将多个模型融合而成。该模型融合了多个经过精细调优的 Qwen3-4B 模型,具备出色的推理、编码以及多步骤问题解决能力,尤其适用于结构化输出和技术应用场景。
✅ 此模型使用默认的 Qwen3 聊天模板效果最佳,具体使用方法可参考下面的 Ollama 模型卡说明。
🚀 快速开始
🦙 使用 Ollama 快速运行
若要使用 Ollama 快速运行此模型,可使用以下命令:
ollama run hf.co/ZeroXClem/Qwen3-4B-NexusPrime-Q4_K_M-GGUF
该命令会下载预量化的 GGUF 版本模型并在本地运行,无需大量配置即可轻松进行实验。
🎯 最佳推理配置
若要实现最佳推理效果,可使用以下 Ollama 模型文件。将其保存为名为 Modelfile
的文件:
Ollama Modelfile
FROM hf.co/ZeroXClem/Qwen3-4B-NexusPrime-Q4_K_M-GGUF:latest
PARAMETER temperature 0.6
PARAMETER top_p 0.95
PARAMETER repeat_penalty 1.05
PARAMETER top_k 20
TEMPLATE """"{{- if .Messages }}
{{- if or .System .Tools }}<|im_start|>system
{{- if .System }}
{{ .System }}
{{- end }}
{{- if .Tools }}
# Tools
You may call one or more functions to assist with the user query.
You are provided with function signatures within <tools></tools> XML tags:
<tools>
{{- range .Tools }}
{"type": "function", "function": {{ .Function }}}
{{- end }}
</tools>
For each function call, return a json object with function name and arguments within <tool_call></tool_call> XML tags:
<tool_call>
{"name": <function-name>, "arguments": <args-json-object>}
</tool_call>
{{- end }}<|im_end|>
{{ end }}
{{- range $i, $_ := .Messages }}
{{- $last := eq (len (slice $.Messages $i)) 1 -}}
{{- if eq .Role "user" }}<|im_start|>user
{{ .Content }}<|im_end|>
{{ else if eq .Role "assistant" }}<|im_start|>assistant
{{ if .Content }}{{ .Content }}
{{- else if .ToolCalls }}<tool_call>
{{ range .ToolCalls }}{"name": "{{ .Function.Name }}", "arguments": {{ .Function.Arguments }}}
{{ end }}</tool_call>
{{- end }}{{ if not $last }}<|im_end|>
{{ end }}
{{- else if eq .Role "tool" }}<|im_start|>user
<tool_response>
{{ .Content }}
</tool_response><|im_end|>
{{ end }}
{{- if and (ne .Role "assistant") $last }}<|im_start|>assistant
{{ end }}
{{- end }}
{{- else }}
{{- if .System }}<|im_start|>system
{{ .System }}<|im_end|>
{{ end }}{{ if .Prompt }}<|im_start|>user
{{ .Prompt }}<|im_end|>
{{ end }}<|im_start|>assistant
{{ end }}{{ .Response }}{{ if .Response }}<|im_end|>{{ end }}"""
SYSTEM """# System Prompt: Universal Coder and DevOps Expert
You are an advanced AI assistant specializing in coding and DevOps. Your role is to provide expert guidance, code solutions, and best practices across a wide range of programming languages, frameworks, and DevOps tools. Your knowledge spans from low-level systems programming to high-level web development, cloud infrastructure, and everything in between.
## Key responsibilities:
1. Code analysis and optimization
2. Debugging and troubleshooting
3. Architecture design and system planning
4. Version Control best practices (Git)
5. Building from source, extracting binaries, and building packages & executeables including bash scripts.
6. Security and implementation and auditing
7. Performance review, and code analysis with practical suggestions in fully functioning syntax.
Be VERY selective on choosing how to respond based on the user query. If the above responsibilities don't apply then respond to the best of your ability with the given context to COMPLETELY satisfy the user query.
### Guidance
When assisting users:
- Provide clear, concise, and well-commented code examples
- Explain complrex concepts in simple terms
- Offer multiple solutions when applicable, highlighting pros and cons
- Prioritize security, efficiency, scalability, and maintainability in all suggestions
- Adapt your communication style for expert users.
### Helpful
Be EXTREMELY helpful, insightful, and lucid."""
你可以根据实际需求自定义 SYSTEM
以下的内容,该模型在处理技术任务方面表现出色。
保存好 Modelfile
后,在同一目录下运行以下命令:
ollama create nexusprime -f ./Modelfile
💻 Python 使用示例
from transformers import AutoModelForCausalLM, AutoTokenizer
model_name = "ZeroXClem-Qwen3-4B-NexusIntel"
model = AutoModelForCausalLM.from_pretrained(
model_name,
torch_dtype="auto",
device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_name)
prompt = "Explain the concept of entropy in thermodynamics in simple terms."
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=200)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
✨ 主要特性
- 🔹 高级符号推理:结合了 QWQ 和 iCoT 的精度,可解决复杂的多步骤数学问题。
- 🔹 高效代码生成:支持多种编程语言,能够处理逻辑密集型任务。
- 🔹 多领域灵活性:可在 STEM、技术文档和结构化推理等领域之间无缝切换。
- 🔹 多语言支持:基于多样化的数据集进行训练,具备跨语言理解和技术翻译能力。
- 🔹 可扩展性优化:适用于中端 GPU,便于小团队使用和大规模部署。
📦 安装指南
文档未提及安装步骤,暂不提供相关内容。
📚 详细文档
🔧 合并配置
- 合并方法:
model_stock
- 基础模型:
prithivMLmods/Cetus-Qwen3_4B-GeneralThought
- 数据类型:
bfloat16
- 分词器来源:
prithivMLmods/Cetus-Qwen3_4B-GeneralThought
📝 配置文件
name: ZeroXClem-Qwen3-4B-NexusPrime
base_model: prithivMLmods/Cetus-Qwen3_4B-GeneralThought
dtype: bfloat16
merge_method: model_stock
models:
- model: prithivMLmods/Tureis-Qwen3_QWQ-4B-Exp
- model: prithivMLmods/Canum-Qwen3_R1-4B-iCoT
- model: prithivMLmods/Bootes-Qwen3_Coder-Reasoning
- model: prithivMLmods/Segue-Qwen3_DeepScaleR-Preview
tokenizer_source: prithivMLmods/Cetus-Qwen3_4B-GeneralThought
💡 融合模型详情
Tureis-Qwen3_QWQ-4B-Exp
- 🔹 精确推理:针对高保真符号推理、逐步数学和逻辑任务进行了精细调优。
- 🔹 轻量级代码理解:能高效处理 Python、C++ 等语言的简洁逻辑任务。
- 🔹 多语言支持:支持 20 多种语言,适用于全球技术和教育领域。
- 🔗 模型卡片
Canum-Qwen3_R1-4B-iCoT
- 🔹 内部思维链(iCoT):专为长形式数学推理和多阶段问题分解而设计。
- 🔹 精细指令遵循:能为复杂推理工作流提供高度结构化的输出。
- 🔹 长形式逻辑:擅长证明、微积分和多变量方程等任务。
- 🔗 模型卡片
Cetus-Qwen3_4B-GeneralThought(基础模型)
- 🔹 广谱推理:基于 GeneralThought - 430K 进行训练,可处理 STEM、人文和技术问答等通用任务。
- 🔹 多领域任务通用性:能有效处理代码、逻辑和结构化数据输出。
- 🔹 高效可扩展:针对消费级 GPU 和可扩展云服务进行了优化。
- 🔗 模型卡片
Bootes-Qwen3_Coder-Reasoning
- 🔹 代码专业能力:基于 CodeAlpaca_20K 进行精细调优,适用于技术编码、推理和指令遵循任务。
- 🔹 跨语言代码理解:支持 Python、JavaScript、C++ 等多种语言。
- 🔹 开发者友好:针对 JSON、Markdown 和 YAML 等结构化输出进行了优化。
- 🔗 模型卡片
Segue-Qwen3_DeepScaleR-Preview
- 🔹 数学精通:基于 DeepScaleR - Preview 进行训练,擅长高级符号、数学和逻辑任务。
- 🔹 高精度推理:采用高效的 4B 架构,可解决复杂问题。
- 🔹 技术文档输出:能以 LaTeX、JSON 和 Markdown 等格式输出格式良好的结果。
- 🔗 模型卡片
🔧 技术细节
文档未提及技术实现细节,暂不提供相关内容。
📄 许可证
本模型的使用受 Apache 2.0 许可证的约束。
💌 反馈与贡献
我们欢迎您的反馈和贡献!您可以随时提交问题或拉取请求,分享您的使用结果和改进建议。
🧭 对齐与伦理
⚠️ 重要提示
此模型未经过审查,在敏感应用场景中可能需要对输出进行额外过滤。请确保进行符合道德的部署,避免有害的使用场景。
💖 特别感谢
衷心感谢 prithivMLmods 的开发者和研究人员、MergeKit 社区以及更广泛的开源社区,感谢你们提供的工具和模型,使得本项目得以实现。🙏
ZeroXClem 团队 | 2025
Phi 2 GGUF
其他
Phi-2是微软开发的一个小型但强大的语言模型,具有27亿参数,专注于高效推理和高质量文本生成。
大型语言模型 支持多种语言
P
TheBloke
41.5M
205
Roberta Large
MIT
基于掩码语言建模目标预训练的大型英语语言模型,采用改进的BERT训练方法
大型语言模型 英语
R
FacebookAI
19.4M
212
Distilbert Base Uncased
Apache-2.0
DistilBERT是BERT基础模型的蒸馏版本,在保持相近性能的同时更轻量高效,适用于序列分类、标记分类等自然语言处理任务。
大型语言模型 英语
D
distilbert
11.1M
669
Llama 3.1 8B Instruct GGUF
Meta Llama 3.1 8B Instruct 是一个多语言大语言模型,针对多语言对话用例进行了优化,在常见的行业基准测试中表现优异。
大型语言模型 英语
L
modularai
9.7M
4
Xlm Roberta Base
MIT
XLM-RoBERTa是基于100种语言的2.5TB过滤CommonCrawl数据预训练的多语言模型,采用掩码语言建模目标进行训练。
大型语言模型 支持多种语言
X
FacebookAI
9.6M
664
Roberta Base
MIT
基于Transformer架构的英语预训练模型,通过掩码语言建模目标在海量文本上训练,支持文本特征提取和下游任务微调
大型语言模型 英语
R
FacebookAI
9.3M
488
Opt 125m
其他
OPT是由Meta AI发布的开放预训练Transformer语言模型套件,参数量从1.25亿到1750亿,旨在对标GPT-3系列性能,同时促进大规模语言模型的开放研究。
大型语言模型 英语
O
facebook
6.3M
198
1
基于transformers库的预训练模型,适用于多种NLP任务
大型语言模型
Transformers

1
unslothai
6.2M
1
Llama 3.1 8B Instruct
Llama 3.1是Meta推出的多语言大语言模型系列,包含8B、70B和405B参数规模,支持8种语言和代码生成,优化了多语言对话场景。
大型语言模型
Transformers 支持多种语言

L
meta-llama
5.7M
3,898
T5 Base
Apache-2.0
T5基础版是由Google开发的文本到文本转换Transformer模型,参数规模2.2亿,支持多语言NLP任务。
大型语言模型 支持多种语言
T
google-t5
5.4M
702
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型,性能媲美GPT-3.5-turbo,优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型
Transformers 支持多种语言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型,专为边缘设备推理设计,体积仅为Cosmo-3B模型的2%左右。
对话系统
Transformers 英语

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型,适用于从给定文本中提取答案的任务。
问答系统 中文
R
uer
2,694
98