/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
3,7 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B
Библиотека
transformers
Опубликована
29 сен 2026

prabhasa-nyaya-element-judge-4b-arm0

Генерация текстаТекст → текст3 профессии

Дообученная Qwen3-4B оценивает, подтверждают ли заданные факты юридический элемент в конвейере Nyaya.

826скачиваний за 30 дней0лайковвеса обновлены1 окт 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

prabhasa-nyaya-element-judge-4b-arm0 — дообученная AxisMeru модель Qwen3-4B для оценки в конвейере Nyaya: установлено ли юридическое условие на основании заданных фактов. Она выдаёт краткий вердикт; вероятность класса «установлено» можно оценивать по логарифмам вероятностей первого токена. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3 и формат safetensors; контекст — до 40 960 токенов. README описывает полное дообучение с маскированием токенов запроса при вычислении функции потерь, без LoRA, на одном запуске и одном seed.

Модель предназначена для специфичного формата подсказок Nyaya и может служить компонентом проверки юридических элементов в этом конвейере. В README сообщаются результаты на сконструированных наборах, соответствующих распределению обучения; перенос на реальные материалы и другие данные не проверен. Лицензия — Apache-2.0. Для работы в заявленном сценарии требуются закреплённый сборщик подсказок и параметр top_logprobs; этап Lean в описанной конфигурации выполняет структурную проверку, а не проверку доказательства.

Сценарии применения

  • оценка наличия юридического элемента по изложенным фактам
  • получение краткого вердикта «установлено» или «не установлено»
  • извлечение вероятности вердикта по логарифмам вероятностей первого токена
  • встраивание оценки элемента в конвейер Nyaya

Ограничения

Оценка проверялась на сконструированных данных, близких к обучающим; перенос на реальные материалы и другие данные не установлен. Модель не оценивалась вне формата подсказок Nyaya и требует закреплённого сборщика подсказок и top_logprobs.

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

prabhasa-nyaya-element-judge-4b-arm0

Deployed as production 4B judge 2026-09-30; serving integrity verified; quality claims at constructed tier only. EXPLORATORY. Single seed.

Scope of the 0/225 figure: Constructed in-distribution set, two-judge config C; not real court material. On real court judgments (single-judge, 1 Oct): 11/122 false proofs, CP95 upper 14.5%.

Full fine-tune of Qwen/Qwen3-4B as an element judge for the Nyaya pipeline ("is this legal element ESTABLISHED by these facts?"). Output is a short verdict whose first-token logprobs give p_established.

Training

  • Data: element_judgment_combined.jsonl @36a69ec, SHA-256 53697c5762c011b57cf80e00d9ddf6aa5cb54eae948eca8b59c569d7123ab440, 1,463 rows (2,074 balanced train / 136 val). Same file as the deployed 4B v0.
  • Completion-only loss (completion_only_loss=True): prompt tokens are masked, only the verdict completion is trained. This is the only intended difference from the deployed 4B, which trained on all tokens. (Masking check: arm0_masking_evidence.json.)
  • Base: Qwen/Qwen3-4B, full fine-tune (no LoRA). Base revision 1cfa9a72… (1cfa9a7208912126459214e8b04321603b3df60c) is inferred: the training run loaded the unpinned name, this was the only snapshot in the training machine's cache, and the trainer did not record it. The base is not provably pinned.
  • Hyperparameters: 3 epochs (~390 optimizer steps), batch 4, grad-accum 4, lr 2e-5 cosine, warmup 100, adamw_bnb_8bit, gradient checkpointing, bf16, max_length 1024, seed default. Identical to the deployed 4B's recipe apart from the loss mask.
  • TRL 1.13.0, Transformers 5.17.0, PyTorch 2.9.0a0 (NVIDIA 25.09), Datasets 5.0.1, Tokenizers 0.23.2. bf16, single seed.
  • Weights file model.safetensors SHA-256 c2fa5954d5bab3885d13d472e38aad67fe6cbad51f54a08a472fa2f9a6a9eec6.

Results (all from sealed, committed runs; caveats bind every number)

Element level, tau = 0.74, Arm-0 vs the deployed 4B, exact paired McNemar (two-sided):

  • Established-side (est200, original fact order): 200/200 vs 183/200 (Arm-0-only 17, deployed-only 0, p 1.5e-5).
  • NE-side (ne71 wrong-ESTABLISHED, original order): 6/71 vs 12/71, not significant (p 0.109). Do not read this as Arm-0 beating the deployed 4B on not-established.
  • Shuffled fact order on ne71: 7/71 vs 23/71 wrong-ESTABLISHED (p 1.45e-4).
  • Arm-0 (completion-only 4B): DEPLOYED to production 2026-09-30 (serving integrity verified: served weights reproduce sealed scores). Config-C on the constructed frozen sets, production fact-id convention: 117/377 Lean-verified proofs vs deployed 105/377 on the same fresh path (12 vs 0 discordant, one-sided exact p=0.00024). Against the earlier 109/377 replay (frozen-logit F_{element_id} convention, not production): 8 vs 0, p=0.0039. False proofs 0/225 all legs (not fresh evidence). Seal-order slip disclosed (log printed before commit); outputs byte-identical on R1's independent re-run. Tier: constructed, in-distribution, single seed. No claim of fewer wrong establishments; transfer to real material untested.
  • Config-C = AND of this 4B at tau 0.74, the frozen 32B judge at 0.97, and the Lean registry check (a structural check, not proof verification).

Limitations

  • The 377/225/271 evaluation sets are disjoint from the training file by id and text, but in-distribution: same task family, same generators. No transfer or real-material claim.
  • One seed, one shuffle, no multiplicity correction; units within a contract are not independent.
  • The Lean step in config-C is a structural check, not a proof verification.
  • Not evaluated for use outside this pipeline's prompt format; serving requires the pinned prompt builder and top_logprobs.
  • Transfer to other data is untested; no not-established superiority claim.
  • Serving-switch staging and a rollback path are pre-registered separately; this repo is the artifact only.

Files

Weights, config, tokenizer and chat template as trained. training_args.bin is the TRL arguments pickle; do not load it untrusted.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
e2aeba0

0 моделей