Adapter für die kleinste Stufe der OpenAmer-Max-Familie. Auf Qwen3-0.6B trainiert, nicht direkt lauffähig: er muss mit der Basis verschmolzen und dann nach GGUF umgewandelt werden (Befehle unten).
Gemessen mit tools/measure_adapter.py aus
openamer-max/models — dieselben Prompts,
dieselbe Auswertung für jede Zeile.
| Satz | Fälle | Ergebnis |
|---|---|---|
| Produktfragen (eingefroren) | 45 | 45/45 (100,0 %) |
| Allgemeine Aufgaben | 20 | 17/20 (85,0 %) |
| Frische Aufgaben (nie im Training) | 20 | 12/20 (60,0 %) |
Die dritte Zeile ist die wichtigste: die untrainierte Basis Qwen3-0.6B erreicht dort 13/20 und ist damit bei allgemeinen Aufgaben einen Punkt besser. Der 45er-Satz ist nach dem Training ein Regressionsschutz, kein Fähigkeitsnachweis.
| Kennzahl | Wert |
|---|---|
| Rang | 128 (α=256, Dropout 0,05) |
| Trainierbare Parameter | 161 Mio. |
| Beispiele | 2.993 |
| Epochen | 3 |
| Lernrate | 1,8e-4, Cosine |
| Zielmodule | q, k, v, o, gate, up, down |
Der Datensatz liegt als datasets/train_watch_v23.jsonl im
models-Repo, der Bericht mit allen
15 Etappen in WATCH-100-PROZENT.md daneben.
from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel
tok = AutoTokenizer.from_pretrained("Qwen/Qwen3-0.6B")
modell = AutoModelForCausalLM.from_pretrained("Qwen/Qwen3-0.6B")
modell = PeftModel.from_pretrained(modell, "openamer-max/openamer-max-watch-adapter")
modell = modell.merge_and_unload()
msgs = [{"role": "user", "content": "Ist OpenAmer kostenlos?"}]
ids = tok.apply_chat_template(msgs, add_generation_prompt=True,
enable_thinking=False, return_tensors="pt")
print(tok.decode(modell.generate(ids, max_new_tokens=80)[0][ids.shape[1]:],
skip_special_tokens=True))
enable_thinking=False ist bei Qwen3 Pflicht — ohne das verbringt das Modell jeden
Token in einem Denkblock und antwortet nie.
Die GGUF (Q8_0, 639 MB) liegt unter openamer-max-watch:
ollama run amersacirovic/openamer-max-watch
Apache-2.0, wie die Basis. Entwickler: Amer Sacirovic.
Qwen/Qwen3-0.6B