====== Qwen3.5 a fine-tuning modelů ======

//Vytvořeno: **8.7.2026** | Aktualizováno: **~~LASTMOD~~**//

[[https://huggingface.co/collections/Qwen/qwen35|Qwen3.5]] je rodina open-weight AI modelů od týmu Qwen/Alibaba. Prakticky nejde o jeden model, ale o více variant různé velikosti, které se liší počtem parametrů, architekturou, nároky na hardware a vhodností pro lokální běh nebo fine-tuning.

===== Přehled modelové řady =====

V kolekci Qwen3.5 na Hugging Face jsou uvedené varianty od menších modelů po velmi velké MoE modely. Veřejně jsou dostupné například:

  * ''Qwen3.5-0.8B''
  * ''Qwen3.5-2B''
  * ''Qwen3.5-4B''
  * ''Qwen3.5-9B''
  * [[https://huggingface.co/Qwen/Qwen3.5-27B|Qwen3.5-27B]]
  * [[https://huggingface.co/Qwen/Qwen3.5-35B-A3B|Qwen3.5-35B-A3B]]
  * ''Qwen3.5-122B-A10B''
  * ''Qwen3.5-397B-A17B''

Zápis typu „gwen 3.5“ je pravděpodobně jen chybný nebo fonetický zápis názvu **Qwen3.5**.

==== Dense versus MoE ====

U modelů je potřeba rozlišovat, jestli jde o dense model nebo MoE model:

  * ''Qwen3.5-27B'' je dense model s 27B parametry.
  * ''Qwen3.5-35B-A3B'' je MoE model — podle model card má 35B parametrů celkem, ale aktivované jsou zhruba 3B parametry.

MoE model může být výpočetně efektivnější při inferenci, ale pro paměť je pořád potřeba počítat s uložením vah celého modelu. To je důležité hlavně při lokálním provozu a kvantizaci.

===== Hardwarové nároky =====

Přesné nároky se mění podle backendu, kvantizace, délky kontextu, batch size a toho, jestli jde jen o inference nebo o trénování. Oficiální model cards Qwen3.5 uvádějí, že modely jsou kompatibilní s Hugging Face Transformers, vLLM, SGLang a KTransformers. Pro plný dlouhý kontext uvádějí příklady se serverovým nasazením přes tensor parallel na více GPU.

Důležitý detail: Qwen3.5 má podle model cards nativní kontext **262 144 tokenů** a lze ho rozšířit až přibližně na **1 010 000 tokenů**. Dlouhý kontext ale výrazně zvyšuje paměťové nároky kvůli KV cache. Pokud model na daném hardwaru padá na OOM, první praktický krok je zkrátit maximální context length.

==== Orientační inference nároky ====

Hrubé pravidlo pro paměť vah:

  * FP16/BF16: přibližně 2 bajty na parametr
  * INT8: přibližně 1 bajt na parametr
  * 4bit: přibližně 0,5 bajtu na parametr, plus overhead

Orientačně to znamená:

^ Model ^ Charakter ^ Praktický lokální běh ^
| ''Qwen3.5-0.8B'' až ''4B'' | menší modely | vhodné pro jednu běžnou GPU, u silnějšího CPU i pomalejší CPU inference |
| ''Qwen3.5-9B'' | menší/střední model | dobrý kandidát pro 12–24GB GPU, podle kvantizace |
| ''Qwen3.5-27B'' | větší dense model | realisticky 24GB+ GPU při 4bit kvantizaci; komfortněji více VRAM |
| ''Qwen3.5-35B-A3B'' | MoE model | 24GB GPU může stačit pro kvantizovaný experiment, ale dlouhý kontext už bude limit |
| ''122B'' a ''397B'' varianty | velké MoE modely | prakticky serverové nebo multi-GPU nasazení |

Tahle čísla ber jako orientační. Nejsou to garantované oficiální minimální konfigurace pro každý konkrétní backend. Reálná spotřeba bývá vyšší kvůli KV cache, vision části modelu, frameworku a runtime overheadu.

===== Fine-tuning versus skill =====

Fine-tuning a dopsání skillu řeší jiný typ problému.

**Skill** je explicitní instrukční balíček: pravidla, workflow, checklisty, příklady a odkazy na nástroje. Hodí se pro postupy, které mají být čitelné, upravitelné a auditovatelné.

**Fine-tuning** mění chování modelu statisticky přes trénovací příklady. Hodí se, když se má model naučit opakovatelný styl, klasifikaci, extrakci, rozhodování nebo specifický formát výstupu na mnoha příkladech.

Praktické pravidlo:

  * pokud jde o **postup a pravidla**, napiš skill;
  * pokud jde o **opakovatelný vzor chování naučitelný z mnoha příkladů**, zvaž fine-tuning;
  * pokud jde o **aktuální fakta nebo dokumentaci**, použij RAG, načtení zdrojů nebo explicitní kontext, ne fine-tuning.

===== Kdy fine-tuning dává smysl =====

Fine-tuning má smysl hlavně tehdy, když existuje dostatek kvalitních trénovacích příkladů a úloha se často opakuje.

Typické příklady:

  * převod poznámek do jednotné struktury;
  * extrakce dat z faktur, smluv nebo objednávek;
  * klasifikace ticketů nebo e-mailů;
  * generování odpovědí v přesně daném stylu;
  * naučení malého lokálního modelu na úzký firemní/doménový úkol;
  * rozhodování agenta v opakovatelných UI scénářích, pokud existují uložené trajektorie akcí.

Příklad s fakturami: pokud je cílem deterministicky stahovat faktury z několika známých systémů, lepší je API konektor, Playwright skript nebo skill pro konkrétní systém. Fine-tuning začíná dávat smysl až ve chvíli, kdy se model učí obecný vzor napříč mnoha různými systémy nebo se učí z faktur vytahovat strukturovaná data.

===== Způsoby fine-tuningu =====

[[https://qwenlm-qwen.mintlify.app/finetuning/overview|Oficiální dokumentace Qwen k fine-tuningu]] rozlišuje tři hlavní režimy: full-parameter fine-tuning, LoRA a Q-LoRA.

==== Full-parameter fine-tuning ====

Full fine-tuning trénuje všechny váhy modelu. Je to nejdražší varianta, ale zároveň dává největší kontrolu nad výsledným modelem.

Hodí se, když:

  * je k dispozici dostatek GPU paměti;
  * jde o produkční model s vysokou hodnotou;
  * nestačí adapterový fine-tuning;
  * je připravený kvalitní dataset a evaluace.

Nevýhoda je cena a infrastruktura. Qwen dokumentace uvádí pro starší Qwen-7B orientačně zhruba 43,5 GB GPU paměti na 2 GPU při sekvenci 256. Pro větší Qwen3.5 modely je potřeba počítat s výrazně vyššími nároky.

==== LoRA ====

[[https://github.com/huggingface/peft/blob/main/docs/source/package_reference/lora.md|LoRA]] je parameter-efficient fine-tuning metoda. Základní model zůstává zmrazený a trénují se malé nízkorankové adaptéry.

Výhody:

  * výrazně nižší paměťové nároky než full fine-tuning;
  * rychlejší trénink;
  * adaptery se dají verzovat a připojovat k základnímu modelu;
  * dobrý výchozí kompromis pro většinu praktických úloh.

LoRA je obvykle první metoda, kterou má smysl zkusit, pokud nestačí prompt, skill nebo RAG.

==== Q-LoRA ====

Q-LoRA kombinuje kvantizovaný základní model a LoRA adaptéry. Cíl je snížit VRAM nároky tak, aby se dal trénovat větší model na dostupnějším hardwaru.

Výhody:

  * nejnižší VRAM nároky z běžných fine-tuning metod;
  * vhodné pro domácí nebo menší pracovní stanice;
  * dobrý způsob, jak začít s 4B/9B modely a experimentálně i s většími modely.

Nevýhody:

  * trénink může být pomalejší;
  * výsledek je citlivý na kvalitu datasetu;
  * není to náhrada za full fine-tuning u všech typů úloh.

===== Datový formát =====

Qwen dokumentace používá konverzační JSON formát. Jedna položka může vypadat například takto:

<code json>
[
  {
    "id": "example_0",
    "conversations": [
      {
        "from": "user",
        "value": "Jak nastavím MQTT v Home Assistantu?"
      },
      {
        "from": "assistant",
        "value": "Nejprve nainstaluj MQTT broker a potom nastav integraci MQTT v Home Assistantu."
      }
    ]
  }
]
</code>

Pro SFT se typicky používají dvojice nebo konverzace typu user/assistant. Důležité je, aby cílová odpověď byla přesně taková, jakou má model v budoucnu napodobovat.

Pro preference tuning, například DPO, se používá struktura s lepší a horší odpovědí:

<code json>
{
  "prompt": "Vysvětli rozdíl mezi LoRA a Q-LoRA.",
  "chosen": "LoRA trénuje malé adaptéry nad původním modelem, zatímco Q-LoRA používá kvantizovaný základní model a tím snižuje nároky na VRAM.",
  "rejected": "Je to v podstatě totéž."
}
</code>

===== Nástroje =====

Pro fine-tuning Qwen modelů se dají použít různé vrstvy nástrojů:

  * [[https://huggingface.co/docs/transformers/en/training|Hugging Face Transformers]] — základní načítání modelu, tokenizace a tréninkové pipeline.
  * [[https://github.com/huggingface/peft|PEFT]] — LoRA, Q-LoRA a další parameter-efficient metody.
  * [[https://huggingface.co/docs/trl/index|TRL]] — SFTTrainer, DPOTrainer a další tréninkové postupy pro supervised fine-tuning a preference optimization.
  * [[https://github.com/hiyouga/LLaMA-Factory|LLaMA-Factory]] — vyšší konfigurační vrstva pro fine-tuning různých open modelů.
  * [[https://github.com/axolotl-ai-cloud/axolotl|Axolotl]] — konfigurační framework pro trénování a fine-tuning LLM.

Pro inference a serving Qwen3.5 model cards zmiňují hlavně vLLM, SGLang, KTransformers a Hugging Face Transformers. Pro produkční nasazení je lepší dedikovaný serving engine než jednoduchý testovací skript.

===== Praktické doporučení =====

Pro běžné experimentování je rozumný postup:

  - Vybrat nejmenší model, který úlohu ještě zvládá.
  - Nejdřív zkusit prompt, skill nebo RAG.
  - Pokud nestačí, připravit malý, ale kvalitní dataset.
  - Začít přes LoRA nebo Q-LoRA.
  - Měřit výsledek na validačních příkladech, ne jen pocitově.
  - Teprve potom zvyšovat velikost modelu nebo řešit full fine-tuning.

Pro domácí hardware je praktičtější začít s Qwen3.5 4B nebo 9B. Větší modely jako 27B nebo 35B-A3B dávají smysl hlavně s 24GB+ GPU, kvantizací a krátkým kontextem. Pro dlouhý kontext nebo full fine-tuning je potřeba serverová konfigurace.

===== Rizika a omezení =====

  * Fine-tuning nenahrazuje dokumentaci ani aktuální fakta.
  * Špatný dataset model poškodí rychleji než špatná volba metody.
  * Výsledek je potřeba měřit na testovacích příkladech, které nebyly v tréninku.
  * U modelů s dlouhým kontextem je potřeba hlídat KV cache a reálnou spotřebu VRAM.
  * U agentních workflow se často vyplatí nejdřív napsat skill nebo nástroj a fine-tuning řešit až po nasbírání trajektorií.

===== Zdroje =====

  * [[https://huggingface.co/collections/Qwen/qwen35|Qwen3.5 kolekce na Hugging Face]]
  * [[https://huggingface.co/Qwen/Qwen3.5-27B|Qwen3.5-27B model card]]
  * [[https://huggingface.co/Qwen/Qwen3.5-35B-A3B|Qwen3.5-35B-A3B model card]]
  * [[https://qwenlm-qwen.mintlify.app/finetuning/overview|Qwen — Fine-tuning Overview]]
  * [[https://github.com/huggingface/peft/blob/main/docs/source/package_reference/lora.md|Hugging Face PEFT — LoRA]]
  * [[https://huggingface.co/docs/trl/index|Hugging Face TRL]]
  * [[https://huggingface.co/docs/transformers/en/training|Hugging Face Transformers — Training]]
  * [[https://github.com/hiyouga/LLaMA-Factory|LLaMA-Factory]]
  * [[https://github.com/axolotl-ai-cloud/axolotl|Axolotl]]