/ 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
Опубликована
7 авг 2026

qwen3-4b-instruct-2507-retool-grpo

Генерация текстаТекст → текст3 профессии

Дообученная Qwen3-4B модель для решения математических задач с проверкой вычислений через Python-инструмент.

22скачиваний за 30 дней0лайковвеса обновлены7 авг 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

BillyWang1 разработал эту модель на основе Qwen/Qwen3-4B-Instruct-2507, дообучив её методом GRPO для математических рассуждений с использованием инструмента code_interpreter. Это плотная языковая модель Qwen3 с 3,7 млрд параметров и контекстом до 262 144 токенов; она принимает текстовые запросы и генерирует текст, включая вызовы инструментов в формате Qwen3. В сценариях с инструментом модель может выполнять Python-код для проверки промежуточных вычислений перед выдачей ответа.

Модель ориентирована на решение математических задач: в README приведены результаты на AIME 2024, AIME 2025 и MATH-500. Для воспроизведения поведения с инструментами требуется предоставить совместимый code_interpreter и системный промпт обучения. Данные о поддерживаемом языке в метаданных указывают на английский. Модель распространяется по лицензии Apache-2.0; результаты бенчмарков не гарантируют точность на других задачах.

Сценарии применения

  • решение задач математических олимпиад
  • решение задач из набора MATH-500
  • проверка промежуточных вычислений с помощью Python
  • получение пошаговых ответов на математические вопросы

Ограничения

Поведение с выполнением кода требует подключённого инструмента code_interpreter и системного промпта обучения. Приведённые результаты относятся к указанным математическим бенчмаркам и не характеризуют качество на других задачах.

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-instruct-2507-retool-grpo

Qwen3-4B-Instruct-2507 trained with GRPO for tool-integrated math reasoning (ReTool-style code-interpreter RL).

This is the GRPO control run of a 26summer series comparing RL objectives (GRPO, GFlowRL, and process-reward variants) on identical data, seed, and infrastructure. The model interleaves natural-language reasoning with native Qwen3 code_interpreter tool calls (JSON tool-call format from the tokenizer's own chat template — no custom tags) and executes Python to verify intermediate steps before committing to a final boxed answer.

Training setup

Base modelQwen/Qwen3-4B-Instruct-2507
AlgorithmGRPO (group-normalized outcome advantages, no KL penalty)
Frameworkslime 0.3.0 (Megatron-LM training + SGLang rollouts, async RL)
Datadapo-math-17k, 1 epoch = 271 rollouts / 1084 optimizer steps
Rollout geometry64 prompts × 16 samples per rollout, global batch 256
Rewardrule-based ±1 on the final \boxed{...} answer
Toolsandboxed Python code_interpreter, multi-turn, native chat-template tool calls
Max response length8192 (train) / 16384 (eval)
LR / seed1e-6 constant / 42
Hardware1 node × 8 B200 (2 training + 6 inference GPUs, disaggregated)

Results (final checkpoint, step 270)

Evaluated with the code interpreter at 16k response budget; AIME scores are mean accuracy over 16 samples/problem.

benchmarkaccuracy
AIME 20240.581
AIME 20250.498
MATH-5000.956

Usage

Standard Qwen3 instruct usage; to reproduce the tool-use behavior, serve with a code_interpreter tool in the chat template and the training system prompt:

You are a helpful assistant that solves math problems step by step. You may call the code_interpreter tool to execute Python code whenever it helps your reasoning; use complete scripts including any imports. End your solution with the final answer in \boxed{...}.

from transformers import AutoModelForCausalLM, AutoTokenizer
model = AutoModelForCausalLM.from_pretrained("BillyWang1/qwen3-4b-instruct-2507-retool-grpo", torch_dtype="bfloat16")
tokenizer = AutoTokenizer.from_pretrained("BillyWang1/qwen3-4b-instruct-2507-retool-grpo")

The model was trained purely with RL on top of the instruct model — no SFT stage — so it retains the base model's general chat ability.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
f9817d1

0 моделей