/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,7 млрд
Размер весов
8,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B-Base
Библиотека
transformers
Опубликована
5 сен 2026

DeepMath-103K-Level6-Qwen3-4B-Base-GRPO

Генерация текстаТекст → текст3 профессии

Дообученная методом GRPO модель Qwen3 на 3,7 млрд параметров для пошагового решения математических задач.

30скачиваний за 30 дней0лайковвеса обновлены5 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

ExploreXploitQ разработал DeepMath-103K-Level6-Qwen3-4B-Base-GRPO — дообученную методом GRPO плотную языковую модель Qwen3 для математических рассуждений. Модель обучалась с обновлением всех параметров на 57 046 примерах поднабора Level 6 датасета DeepMath-103K; для обучения использовались verl и обучающий код Thinking-Space/Rethinking-OPD, а вознаграждение за ответы задавалось правилами проверки математического результата.

Модель предназначена для генерации пошаговых решений и ответов на математические задачи. В README приведены результаты проверки на AIME 2025, AMC 2022–2023 и AIME 2024: соответственно, 21,25%, 60,77% и 23,54% точности в режиме avg@16. Это специализированная модель на 3,7 млрд параметров с контекстом 32 768 токенов, доступная для использования через Transformers. Базовая модель — Qwen/Qwen3-4B-Base; лицензия — Apache-2.0.

Сценарии применения

  • пошаговое решение математических задач
  • генерация ответов в формате LaTeX с итогом в \boxed{}
  • решение задач уровня AIME
  • решение задач математических олимпиад AMC
  • оценка математических рассуждений в экспериментах

Ограничения

Опубликованные показатели относятся к трём наборам олимпиадных задач и рассчитаны в режиме avg@16; они не гарантируют такую же точность на других задачах или при одиночной генерации. Модель обучалась на подмножестве Level 6 DeepMath-103K, поэтому её специализация и качество за пределами математических рассуждений не подтверждены.

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

DeepMath-103K-Level6-Qwen3-4B-Base-GRPO

DeepMath-103K-Level6-Qwen3-4B-Base-GRPO is a post-trained version of Qwen/Qwen3-4B-Base, trained with Group Relative Policy Optimization (GRPO) on the Level 6 subset of DeepMath-103K for mathematical reasoning.

Training used the verl framework and the training code from Thinking-Space/Rethinking-OPD, with full-parameter actor updates and rule-based math outcome rewards.

Dataset

The training data consists of 57,046 examples from the DeepMath Level 6 training file available in Keven16/G-OPD-Training-Data, originating from zwhe99/DeepMath-103K.

Training Details

Training configuration

  • Base model: Qwen/Qwen3-4B-Base
  • Training framework: verl
  • Algorithm: GRPO
  • Parameter update: Full-parameter fine-tuning
  • Rollout engine: vLLM
  • Context length: 32,768 tokens
  • Responses per prompt: 8
  • GRPO outcome weight: 1.0
  • Prompt length: 1,024 tokens
  • Response length: 7,168 tokens
  • Max model length: 32,768 tokens
  • Rollout temperature: 1.0
  • Rollout top-p / top-k: 1.0 / -1
  • Repetition penalty: 1.0
  • KL loss: Disabled
  • Format reward: Disabled
  • Learned reward model: Disabled
  • Loss aggregation: token-mean
  • Learning rate: 1e-6
  • Learning-rate schedule: Constant; no warmup
  • Weight decay: 0.01
  • PPO mini-batch size: 64
  • PPO micro-batch size per GPU: 1
  • Number of GPUs: 4
  • Number of epochs: 1
  • Save frequency: Every 20 steps
  • Test frequency: Every 20 steps
  • Validation sampling: 16 responses per prompt; temperature 1.0; top-p 0.95
  • Validation response length: 31,744 tokens

Dataset

  • Training dataset: DeepMath-103K Level 6
  • Training examples: 57,046
  • Training-time validation datasets: AIME25, AMC22–23, AIME24
  • Validation questions: 143

Validation Accuracy

  • AIME 2025 (avg@16): 21.25%
  • AMC 2022–2023 (avg@16): 60.77%
  • AIME 2024 (avg@16): 23.54%

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "ExploreXploitQ/DeepMath-103K-Level6-Qwen3-4B-Base-GRPO"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    dtype="auto",
    device_map="auto",
)

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
2f96178

0 моделей