Developed by Kolyadual
[Описание](#описание) • [Ключевые Особенности](#ключевые-особенности) • [Использование](#как-использовать) --- ## Описание модели **Newton Bot 3** — это высокопроизводительная модель нового поколения из семейства Newton bot, созданная буквально для всего! Основанная на мощном фундаменте Qwen и дистиллированная с использованием методик DeepSeek-R1, также дообученая на датасете Gemini от TeichAI. Нейросеть сочетает в себе глубокие знания и умение строить многоступенчатые цепочки рассуждений (Chain-of-Thought). **Newton bot 3 text mini** - модель Newton bot 3, оптимизированная для работы на компьютерах, генерации текста, кодинга и всего что связано с текстом. ### Ключевые особенности: - **Продвинутый Reasoning:** Модель сначала "думает", выстраивая логическую структуру ответа, а затем выдает результат. - **Мастер Кодинга:** Оптимизирована для написания сложного кода, отладки и архитектурного планирования. - **Математический интеллект:** Способна решать задачи уровня олимпиад и высшей математики. - **Мультиязычность:** Полная поддержка русского и английского языков с учетом культурного контекста. - **Рецепты:** Огромная база данных кулинарных рецептов - **Профи-функционал:** 8B параметров - хорошие значения для общения с нейросетью и познания чего-либо нового! По максимуму точная модель, дообученая на лидирующих поделях таких как DeepSeek, Gemini 3 pro, Claude 4.5 дает максимально точный ответ в рамках 2025-2026 годов (и раньше). ## Как использовать Вы можете запустить **Newton Bot 3** локально, используя библиотеку `transformers`: ```python from transformers import AutoModelForCausalLM, AutoTokenizer model_id = "Kolyadual/Newton-bot-3-text-mini-8B" # Или же путь к папке с моделью tokenizer = AutoTokenizer.from_pretrained(model_id) model = AutoModelForCausalLM.from_pretrained( model_id, torch_dtype="auto", device_map="auto" ) prompt = "Реши уравнение Шрёдингера для частицы в бесконечной потенциальной яме." messages = [{"role": "user", "content": prompt}] inputs = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to("cuda") outputs = model.generate(inputs, max_new_tokens=1024) print(tokenizer.decode(outputs[0], skip_special_tokens=True)) ``` ## Merge Details ### Merge Method This model was merged using the [SLERP](https://en.wikipedia.org/wiki/Slerp) merge method. ### Models Merged The following models were included in the merge: * Qwen * Gemini * DeepSeek ### Configuration The following YAML configuration was used to produce this model: ```yaml slices: - sources: - model: DeepSeek-qwen-moe layer_range: [0, 36] - model: Gemini layer_range: [0, 36] - model: Claude layer_range: [0, 36] merge_method: slerp base_model: DeepSeek-qwen-moe parameters: t: - filter: self_attn value: [0.4, 0.6] - filter: mlp value: [0.6, 0.4] - value: 0.5 dtype: bfloat16 tokenizer_source: base # Используем токенизатор DeepSeek для корректной работы