2026-11-15

6098

智猩猩AI整理 编辑：林夕 近日，一款名字里同时带着 DeepSeek 和千问的 9B 小模型，登上了 Hugging Face 模型 趋势榜榜首 。 榜首版本由社区开发者 xtools-at 发布。 据模型卡介绍，它基于 Jackrong 的 DeepSeek-V4-Pro-Qwen3.5-9B ，使用 Heretic v2.0.0.dev0 进一步调整了模型的拒答行为。 蒸馏工作由 Jackrong 完成。他用 DeepSeek V4 Pro 生成约 25 万条数学和理工科训练样本，再用这些数据 微调阿里开源的 Qwen3.5-9B 。 在 Jackrong 的理科测试里，蒸馏后的千问答对了更多题，每答对一题消耗的推理 Token 也少了 36.1%。 到了 xtools-at 的衍生版，拒答次数已经有了对照结果，理科准确率和推理开销还有待用同一套题复测。 两轮改动带来了两份成绩单： 先训练的版本，已经测过解题的准确率和开销；登顶的版本，则测出了拒答行为的变化。 01 一款登顶的9B模型， 经历了两次改造 xtools-at 发布的 9B 模型，沿用了 Jackrong 的蒸馏权重。这份权重的来历，要从 DeepSeek V4 Pro 生成的一批解题样本说起。 Jackrong 让拥有 1.6 万亿总参数的 DeepSeek V4 Pro 在 Max Effect 模式下生成约 25 万条数学和理工科样本。 这些样本记录了从哪里入手、怎么拆解问题、每一步如何推导，以及最后得出了什么答案。 他用这批样本对 阿里开源的 Qwen3.5-9B 做监督微调 ，让这个 90 亿参数的小模型学习 DeepSeek 的解题过程。 随后，Jackrong 又用 GSPO 做了一轮轻量强化学习。按模型卡的说明，两个阶段都围绕数学和理工科推理展开，均未使用编程数据。 Jackrong 随后公开了训练完成的 9B 权重， xtools-at 就是在这份已经做过理科专项训练的权重上，用 Heretic 进一步调整了模型的拒答行为。 Heretic 的 ARA 方法 会对比模型处理不同类型提示时的内部激活，找出与拒答行为相关的信号，再修改部分模型层的权重，减弱这些信号对回答的影响。 xtools-at 公布的配置将调整范围设为 第 9 层至第 24 层 。 接下来看实验结果：Jackrong 的评测记录了蒸馏后理科成绩和推理开销的变化，xtools-at 的测试则记录了这次权重调整让拒答次数降了多少。 02 理科准确率小幅提升， 按要求输出的比例接近 97% xtools-at 在模型卡顶部列出了衍生版的拒答对照，还报告了 0.0422 的 KL 散度，用来描述权重调整前后输出概率分布的变化。 在 xtools-at 公布的测试中，面对同一组 100 条提示，Jackrong 的蒸馏版全部拒答， 经过调整的衍生版只拒答了 3 条 。 页面往下的数学、推理效率和输出格式测试，则沿用了 Jackrong 对蒸馏版的评测。 在 GSM8K 上，Jackrong 用 NVFP4 量化版跑了四次， 平均准确率为 94.5% 。 同一张表里，DeepSeek V4 Pro 的参考成绩是 92.6% ，Llama 3.3 70B Instruct 是 94.84% 。 到了 MMLU-Pro， Jackrong 把原版千问和蒸馏版放在相同设置下 ，分别做了 500 道数学题、500 道物理题和 500 道化学题 。 三科都有提升，其中数学涨得最多，从 90.60% 升到 92.40% ，物理和化学分别提高 0.4 和 0.6 个百分点 。 数学也是推理开销降得最多的一科。 按整套题消耗的推理 Token 除以答对题数计算，蒸馏版在数学上少用了 47.4% ，物理和化学分别少用了 30.8% 和 32.1% 。 这组分科数据能看出，三门课的收益并不均匀。 还有一项容易被跑分盖过去的变化，是模型更愿意按要求收尾。 在同一套 MMLU-Pro 测试里， 提示词要求模型思考完后只输出一个大写字母 。 蒸馏版有 97.2% 的回答符合这一格式，原版千问是 37.3% ，同场对比的 Claude Mythos 蒸馏 9B 版本是 69.6% 。 模型卡还提到，Jackrong 的蒸馏版 在编程和工具调用上出现了小幅改善 ，并展示了一个用它做出来的可玩小游戏 Star Skip 。 这部分目前以初步观察和演示为主，模型卡还没有给出专门的代码或 Agent 基准结果。 03 衍生版模型已有4-bit量化版， 支持本地运行 想在本地试用 xtools-at 的 9B 衍生版，可以选原始 Safetensors 权重，也可以用社区转换的 4-bit GGUF。 如果想用 LM St