/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,7 млрд
Размер весов
8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B-Instruct-2507
Библиотека
mlx
Опубликована
2 окт 2026

Qwen3-4B-Think-GRPO-MLX

Генерация текстаТекст → текст3 профессии

Дообученная на GSM8K модель Qwen3 для генерации текстовых решений арифметических задач с явным объяснением и итоговым ответом.

858скачиваний за 30 дней0лайковвеса обновлены3 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Qwen3-4B-Think-GRPO-MLX — языковая модель для генерации ответов с явным разделом рассуждения и итоговым ответом. Разработчик дообучил Qwen/Qwen3-4B-Instruct-2507 методом GRPO с LoRA на задачах GSM8K; выпущенный чекпойнт также включает стабилизирующий supervised-проход. Это плотная модель семейства Qwen3 с 3,7 млрд параметров, опубликованная в формате safetensors для MLX. Модель принимает текст и генерирует текст; карточка указывает поддержку английского языка и контекст до 262 144 токенов.

Модель предназначена прежде всего для пошагового решения арифметических текстовых задач и выдачи ответа в заданном формате. В описанном тесте на 32 примерах GSM8K она достигла точности 87,5% и строгого соблюдения формата в 100% случаев, однако небольшая выборка может завышать ожидаемое качество. Рассуждения являются сгенерированными объяснениями, а не достоверной записью внутренних процессов модели. Возможны арифметические, логические и фактические ошибки; результаты на узком наборе GSM8K не гарантируют обобщения на другие задачи. Лицензия — Apache-2.0.

Сценарии применения

  • решение текстовых арифметических задач на английском языке
  • генерация ответа с разделением объяснения и итогового результата
  • эксперименты с GRPO и обучением LoRA на задачах GSM8K

Ограничения

Набор обучения GSM8K узок, а тестовое сравнение основано лишь на 32 примерах; качество на других задачах может быть ниже. Модель может ошибаться в арифметике, логике и фактах, а сгенерированные рассуждения не являются проверенной записью внутренних процессов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3 4B Think GRPO (MLX)

An MLX checkpoint derived from a neutral-prompt reasoning SFT model and optimized on GSM8K to emit one explicit reasoning section followed by a final answer:

<think>
...
</think>
final answer

Explicit traces are generated text, not authentic private model reasoning.

Prompt format

Answer the user request. First generate a reasoning trace inside <think> and </think>, then give the final answer.

Training

  • Base: Qwen/Qwen3-4B-Instruct-2507
  • MLX base: mlx-community/Qwen3-4B-Instruct-2507-4bit
  • Starting checkpoint: neutral-prompt reasoning SFT LoRA
  • GSM8K: 512 train / 64 validation / 128 held-out test records
  • Method: GRPO LoRA; final two transformer layers trainable
  • Inherited embedding/output-head LoRA: active but frozen during GRPO
  • Frozen reference: the same SFT-derived policy anchor, never the plain instruct base
  • Rank 8, scale 16, dropout 0
  • Batch size 1, group size 2
  • Learning rate 5e-7
  • Iterations: 256
  • Maximum native rollout: 128 tokens
  • Hardware: Apple M3 Pro, 36 GB unified memory

The GRPO implementation was corrected so the frozen reference supplies only the KL regularizer while the on-policy behavior ratio has a unit forward value and retains the policy derivative. A gradient diagnostic confirmed nonzero gradients and all 28 trainable LoRA tensors changed.

Rewards

Exactly two equally weighted rules were used:

1.0 × numerical correctness
1.0 × native strict <think> format

There was no reasoning-length or style reward and no tag-injection/recovery path. Across 512 native training rollouts:

  • numerical correctness: 44.3% (227/512);
  • native strict format: 95.9% (491/512);
  • two-phase recoveries: 0;
  • literal truncation markers: 0;
  • corrected long-loop flags: 0;
  • mean/max KL: 0.000237 / 0.000563;
  • skipped/OOM iterations: 0.

A post-GRPO supervised stabilization pass retained the GRPO delta while strengthening concise arithmetic closure and general-prompt coherence. This pass used no GRPO reward and should be considered part of the released GRPO-derived checkpoint, not additional RL.

Evaluation

Fixed first 32 held-out GSM8K test records, greedy decoding, 768-token cap:

ModelExact accuracyStrict format
Neutral SFT baseline65.6% (21/32)81.2% (26/32)
Released GRPO-derived model87.5% (28/32)100% (32/32)

The exact moonlight-jar OOD prompt produced one closed <think> block, no loop, and a uniform-lottery procedure. Its explanation still contains a minor logical imprecision about which jars sing, so logical reliability remains limited. Full outputs and audit details are in the project’s grpo-evaluation.md.

MLX usage

from mlx_lm import generate, load

model, tokenizer = load("12384-0ashntoi/Qwen3-4B-Think-GRPO-MLX")
messages = [
    {
        "role": "system",
        "content": "Answer the user request. First generate a reasoning trace inside <think> and </think>, then give the final answer.",
    },
    {"role": "user", "content": "What is 17 times 23?"},
]
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
print(generate(model, tokenizer, prompt=prompt, max_tokens=768))

LM Studio

Install as a separate local model and use the system prompt above. Keep the neutral SFT model separately for comparison.

Limitations

  • The original style SFT set and stabilization data are small and synthetic; GSM8K is narrow arithmetic data.
  • The 32-example comparison is a small diagnostic and may overstate generalization.
  • The model can still make arithmetic, logical, or factual errors.
  • Sampling can reduce format reliability or produce repetition.
  • Rule optimization can encourage brittle shortcuts despite native format checks.
  • Traces are generated explanations, not verified internal reasoning.
  • The model inherits biases and limitations from Qwen and its data.
  • Do not use for medical, legal, financial, or other high-stakes decisions.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
84322c7

0 моделей