# JPT-35B-A3B: локальные вероятностные решения с некоммерческой лицензией

Источник: https://modelium.tech/zhurnal/jpt-35b-a3b-typed-decisions-local-noncommercial/

27 сентября появились полные веса JPT-35B-A3B — крупнейшей модели семейства для типизированных вероятностных решений. Доступны также варианты 0.8B, 4B и 9B. Все JPT распространяются под CC BY-NC 4.0, поэтому скачивание весов не означает права на коммерческий запуск. Авторские результаты JevBench пока охватывают лишь публичный набор; для 35B-A3B приводится проверенная авторами конфигурация SGLang, не минимальная потребность в видеопамяти.

JPT-35B-A3B дополнила семейство локальных моделей для вероятностных решений

27 сентября 2026 года в Hugging Face появились полные веса **JPT-35B-A3B** — четвёртой и самой крупной модели семейства JPT. Репозиторий создан в 17:07 UTC; 16 шардов загружены к 17:08 UTC, карточка с результатами обновлена в 18:02 UTC. Остальные модели семейства — 0.8B, 4B и 9B — выложены 24–25 сентября; сегодняшнее обновление их карточек не означает повторного выпуска весов. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3)

## Что делает модель

JPT принимает описание ситуации и типизированные вопросы: выбрать один вариант (`choice`), оценить уровень на шкале (`score`) или дать бинарный ответ (`noul`). Вместо длинного генерируемого текста она возвращает вероятности вариантов. Это полезно для локальной маршрутизации обращений, выбора действия агента и классификации, где приложению нужны структурированные ответы, а не объяснение на естественном языке. Модель обучена на базе Qwen3.5-35B-A3B: авторы описывают её как LoRA, слитую с исходными весами. Изображения архитектурно поддерживаются базовой визуальной частью, **но оценку качества JPT-35B-A3B на изображениях авторы ещё не проводили**. [s1](#src-s1)

Новое дерево содержит все 16 файлов `model-00001-of-00016.safetensors` … `model-00016-of-00016.safetensors`, конфигурацию и индекс весов; 16 уникальных имён шардов из индекса присутствуют в дереве. Суммарный объём шардов составляет около 70,2 млрд байт на диске. **Это не минимальное требование к RAM или VRAM**: память при запуске зависит от движка, распределения по устройствам, контекста и служебных буферов. В карточке авторов указан проверенный ими SGLang 0.5.18 на четырёх A100 40 GB с tensor parallelism 4; это конфигурация их теста, не универсальный порог для запуска. [s1](#src-s1) [s3](#src-s3)

## Доступ и лицензия

Все четыре репозитория JPT дают скачиваемые веса, но помечены **CC BY-NC 4.0: коммерческое использование не разрешено** без отдельного права. Базовые модели Qwen3.5 распространяются под Apache 2.0, но это не переносит коммерческое разрешение на производные веса JPT: авторы прямо связывают ограничение с составом обучающих данных. MIT-лицензия отдельного прокси `llm2jev` относится к его коду, а не меняет лицензию весов. Для коммерческой маршрутизации JPT нельзя считать свободно разрешённым выбором. [s1](#src-s1) [s4](#src-s4) [s5](#src-s5)

## Как читать результаты авторов

Авторы сообщают **206 правильных ответов из 231 публичного** вопроса JevBench v1.4 (0,892) для 35B-A3B; закрытые 308 вопросов недоступны им для самостоятельного прогона, поэтому официального полного балла JevBench у модели пока нет. Для Decision Index 0.2.1 авторы заявляют 52,89 балла на полном прогоне 150 759 запросов через `llm2jev` и SGLang, но отправка в репозиторий организаторов пока находится в открытом PR и не принята как опубликованный результат таблицы. Это **авторские измерения, не тесты Modelium**. Не смешивайте публичную долю JevBench, закрытый набор и нормированную шкалу Decision Index. [s1](#src-s1) [s6](#src-s6)

Сама карточка предупреждает, что модель прежде всего ориентирована на английский, ошибается в арифметике и датах, а калибровка зависит от задачи. Для 0.8B, 4B и 9B приведены свои отдельные результаты: выбор размерности и качества нельзя делать по цифре 35B без проверки на собственных типизированных вопросах. [s1](#src-s1) [s2](#src-s2)

## Практический следующий шаг

Если нужна **некоммерческая локальная проверка**, начните с 0.8B или 4B и закрепите ревизию выбранного репозитория; для новой 35B-A3B — `d7049ccdcaa7888dbb2d5fddaa55b5096964a96e`. Следуйте примерам карточки для конкретной версии движка и `llm2jev >= 0.6.1`, сначала проверьте запуск и вероятности на собственном наборе `choice`/`score`/`noul`. Команда SGLang в карточке — авторская тестовая конфигурация; вариант vLLM для **этого чекпойнта ещё не испытан авторами**. Если задача требует коммерческого применения, сперва решите вопрос лицензирования и проверьте альтернативную модель с подходящими условиями. [s1](#src-s1) [s5](#src-s5) [s7](#src-s7)

## Источники

1. [JPT-35B-A3B: карточка и условия выпуска в закреплённой ревизии](https://huggingface.co/kirp/jpt-35b-a3b/blob/d7049ccdcaa7888dbb2d5fddaa55b5096964a96e/README.md) — получено 2026-09-27
2. [Hugging Face: история загрузки JPT-35B-A3B](https://huggingface.co/api/models/kirp/jpt-35b-a3b/commits/main?limit=30) — получено 2026-09-27
3. [Hugging Face: дерево зафиксированных весов и индекс JPT-35B-A3B](https://huggingface.co/api/models/kirp/jpt-35b-a3b/tree/d7049ccdcaa7888dbb2d5fddaa55b5096964a96e?recursive=true) — получено 2026-09-27
4. [Hugging Face: базовая Qwen3.5-35B-A3B](https://huggingface.co/api/models/Qwen/Qwen3.5-35B-A3B) — получено 2026-09-27
5. [llm2jev: официальный репозиторий прокси и лицензия кода](https://github.com/tic-top/llm2jev/tree/2b252d504972764211ef172c1155ac0fedc9c3de) — получено 2026-09-27
6. [Decision Index: открытый PR авторов с результатами JPT](https://github.com/apolinario/decision-index/pull/7) — получено 2026-09-27
7. [PyPI: llm2jev 0.6.1](https://pypi.org/project/llm2jev/0.6.1/) — получено 2026-09-27