Qwen3-8B
阿里巴巴Qwen3系列中8B参数规模的自回归语言模型，用于对比实验中作为自回归规划器基线
核心事实
时间轴 (近 90 天)
跨七个基准的评测中，以 Qwen3-8B 为目标模型时，D3D 取得 5.00 倍的平均解码加速。
在以 Qwen3-8B 为目标模型的三个基准上，D3D 去掉 36 层中的 5 层后，平均接受长度仍保留超过 99%。
在相同设置下，DFlash 以 Qwen3-8B 和 Qwen3-32B 为目标模型的平均解码加速分别为 4.03 倍和 3.67 倍。
在Qwen3-8B和Llama3.2-3B-Instruct两个模型上，奖励预算机制一致地改善了多种RL基线。
研究中使用了Qwen2.5-1.5B、Qwen2.5-3B和Llama-3.2-3B三个模型进行实验。
6.14x 是在 Qwen3-8B 这一具体模型上测得的最高加速比，报道中未给出跨模型、跨任务的完整曲线，应理解为特定配置下的峰值而非普适的端到端吞吐提升。
FlashMap 在 Qwen3-8B 上实现最高 6.14 倍的无损加速。
论文在 Qwen3-8B 上进行了 RL 实验，经过 40 个训练步，EnvSched 在 BFCL-v3、tau-Bench 和 ACEBench-Agent 三个基准上取得平均 48.81 的分数。
在GEPA论文中，合并算子能提升gpt-4.1-mini的平均表现，但会降低Qwen3-8B的效果，这一不对称性此前缺乏解释。
当配置适当时，合并可以同时提升gpt-4.1-mini和Qwen3-8B两个模型的表现。
还有 40 条时间轴事件
全部知识事实 (20)
Qwen（通义千问）是阿里巴巴达摩院开源的系列大模型，覆盖从0.5B到72B的多种参数规模，支持多语言和多模态任务
80%已验证离策略蒸馏实验使用Qwen3 0.6B作为学生模型，Qwen3 4B作为教师模型
75%已验证对于一个 70 亿参数的模型，LoRA 通常只需训练不到 1% 的参数量，显存需求可降低 60% 以上
70%已验证Qwen3.8-27B采用开放权重和Apache 2.0许可证
65%待验证将 INT4 权重重新量化为 NF4 会使每个权重经历两次舍入，官方测得这会让 Qwen3-8B 的困惑度上升 1.6%
70%待验证在相同设置下，DFlash 以 Qwen3-8B 和 Qwen3-32B 为目标模型的平均解码加速分别为 4.03 倍和 3.67 倍。
50%待验证跨七个基准的评测中，以 Qwen3-8B 为目标模型时，D3D 取得 5.00 倍的平均解码加速。
50%待验证在以 Qwen3-8B 为目标模型的三个基准上，D3D 去掉 36 层中的 5 层后，平均接受长度仍保留超过 99%。
50%待验证在Qwen3-8B和Llama3.2-3B-Instruct两个模型上，奖励预算机制一致地改善了多种RL基线。
50%待验证研究中使用了Qwen2.5-1.5B、Qwen2.5-3B和Llama-3.2-3B三个模型进行实验。
50%待验证6.14x 是在 Qwen3-8B 这一具体模型上测得的最高加速比，报道中未给出跨模型、跨任务的完整曲线，应理解为特定配置下的峰值而非普适的端到端吞吐提升。
50%待验证FlashMap 在 Qwen3-8B 上实现最高 6.14 倍的无损加速。
50%待验证论文在 Qwen3-8B 上进行了 RL 实验，经过 40 个训练步，EnvSched 在 BFCL-v3、tau-Bench 和 ACEBench-Agent 三个基准上取得平均 48.81 的分数。
50%待验证在GEPA论文中，合并算子能提升gpt-4.1-mini的平均表现，但会降低Qwen3-8B的效果，这一不对称性此前缺乏解释。
50%待验证当配置适当时，合并可以同时提升gpt-4.1-mini和Qwen3-8B两个模型的表现。
50%待验证在 Qwen3-8B 到 Qwen3-4B 的通信设置中，J-Comm 在七个基准上取得最高平均分。
50%待验证在 Spider 结构化生成任务上，候选预算为 16 时，预取器覆盖了 Qwen3-8B 96.6% 的验证结果。
50%待验证Qwen3-8B 应用 OmniSimulator 后平均得分提升 34.33%。
50%待验证OrderMint 的技术栈为：前端 React + Vite，后端 Node.js + Express，数据库 better-sqlite3，AI 推理通过 Ollama 本地运行 Qwen3-8B 开放权重模型。
50%待验证OrderMint 不依赖云端 API，AI 推理通过 Ollama 在本地运行 Qwen3-8B，模型不可用时有降级逻辑。
50%