/ Модель

Характеристики

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

Qwen3-4B-OutsideTheBox-RL

Генерация текстаТекст → текст3 профессии

Дообученная с подкреплением Qwen3-4B для исследования математических рассуждений и избирательного следования полезным внешним инструкциям.

175скачиваний за 30 дней0лайковвеса обновлены29 сен 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

ElvisWang111/Qwen3-4B-OutsideTheBox-RL — языковая модель на архитектуре Qwen3, разработанная для исследования выборочного использования внешних инструкций при математических рассуждениях. Это плотная causal language model примерно на 3,7 млрд параметров, дообученная методом обучения с подкреплением на основе результата задачи после этапа SFT Qwen3-4B-OutsideTheBox-SFT. Контекст — до 40 960 токенов; модель работает с текстом и поддерживает диалоговый режим.

Модель предназначена для математических задач с рабочими процессами или подсказками: она обучалась учитывать полезные инструкции и сопротивляться вводящим в заблуждение. Чекпойнт соответствует RL-этапу, описанному в исследовательской статье, и рассчитан прежде всего на эксперименты с математическими рассуждениями и устойчивостью к ошибочным рекомендациям. Лицензия — Apache-2.0.

Сценарии применения

  • решение математических задач с пошаговыми рабочими процессами
  • проверка устойчивости модели к ошибочным инструкциям
  • исследование использования полезных внешних подсказок
  • сравнение поведения модели на задачах с вводящими в заблуждение и полезными workflow

Ограничения

Модель описана как исследовательский чекпойнт для workflow-conditioned математических задач; карточка не приводит оценок качества или результатов бенчмарков.

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-OutsideTheBox-RL

This repository provides the outcome-based reinforcement learning checkpoint developed for the paper Thinking Outside the Box: Can Language Models Rely on External Guidance Selectively?

Thinking Outside the Box

Model Description

The model is initialized from Qwen3-4B-OutsideTheBox-SFT and further trained with direct task-outcome rewards on workflow-conditioned mathematical reasoning prompts. Its RL data mixes prompts containing misleading workflows with prompts containing helpful workflows to improve selective reliance on external guidance.

Intended Use

This checkpoint is intended for research on mathematical reasoning, external workflow utilization, and robustness to incorrect guidance. It corresponds to the outcome-based RL stage reported in the paper.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "ElvisWang111/Qwen3-4B-OutsideTheBox-RL"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype="auto",
    device_map="auto",
)

Training Lineage

  • Base model: Qwen/Qwen3-4B
  • Initialization: ElvisWang111/Qwen3-4B-OutsideTheBox-SFT
  • Training stage: outcome-based reinforcement learning
  • Domain: workflow-conditioned mathematical reasoning

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
33bd489

0 моделей