/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
7,6 млрд
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
17 сен 2026

HuatuoGPT-3-Grader-8B

Генерация текстаТекст → текст3 профессии

Медицинская модель на базе Qwen3 оценивает ответы ассистента по заданным критериям и возвращает булевы результаты для OnePO.

774скачиваний за 30 дней3лайкавеса обновлены24 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

HuatuoGPT-3-Grader-8B — медицинская модель-оценщик от FreedomIntelligence для проверки ответов ассистента по заданным критериям с начислением баллов в рамках OnePO. Она сопоставляет диалог и список рубрик, а затем за одну генерацию возвращает JSON-список булевых значений, показывающих, выполнен ли каждый критерий; для отрицательных критериев true означает, что нежелательное поведение присутствует. Модель обучена на примерах, размеченных GPT-4.1, и предназначена для оценки открытых медицинских ответов, включая пакетную обработку.

Это плотная авторегрессионная модель семейства Qwen3 с архитектурой Qwen3ForCausalLM и 7,6 млрд параметров. Она принимает текстовые диалоги и критерии оценки и генерирует текстовый JSON-ответ. Контекст составляет до 40 960 токенов; для работы рекомендуется шаблон запроса из карточки и формат без рассуждений, соответствующий обучению. Репозиторий содержит веса Safetensors.

Модель рассчитана на выставление оценок по предоставленным рубрикам, а не на самостоятельную постановку медицинского диагноза или консультацию. Качество оценки зависит от формулировок критериев и соблюдения шаблона; сама разметка GPT-4.1 также может отражать ошибки. Лицензия в предоставленных данных не указана.

Сценарии применения

  • оценка медицинского ответа ассистента по нескольким критериям
  • проверка соответствия ответа заданным медицинским рубрикам
  • подсчёт критериев, выполненных в диалоге с медицинским ассистентом
  • пакетное получение оценок медицинских ответов для OnePO
  • формирование сигналов вознаграждения для обучения медицинской модели

Ограничения

Модель оценивает только предоставленные критерии и чувствительна к точному формату запроса и формулировкам рубрик. Она предназначена для оценивания ответов, а не для самостоятельной медицинской консультации; лицензия не установлена по доступным данным.

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

A medical rubric grader for OnePO. Trained on GPT-4.1-annotated samples, HuatuoGPT-3-Grader-8B checks multiple criteria in one generation to provide rewards for open-ended medical responses.

📝 Grading template

Use this template exactly: replace only {conversation} and {rubrics}. Keep the wording, tags, and section order unchanged. Send the formatted prompt as one user message. The included chat template fixes the input format to no-thinking, matching training; no extra template or thinking flag is needed.

PlaceholderContent
{conversation}Conversation as role: content lines, ending with the response to evaluate.
{rubrics}Numbered criteria with signed points, e.g. 1. (+3pts) Criterion text.
GRADING_TEMPLATE = """Score the assistant's response against each rubric item.

## Conversation
<Conversation>
{conversation}
</Conversation>

## Rubrics
<Rubric_items>
{rubrics}
</Rubric_items>

## Output
Return only a JSON list of booleans, one for each rubric in order.
- true: the criterion is met
- false: the criterion is not met
- For a negative criterion (bad behavior with negative points), return true only when the response shows that bad behavior."""

🚀 Usage

Run the template definition above, followed by this example:

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "FreedomIntelligence/HuatuoGPT-3-Grader-8B"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id, dtype="auto", device_map="auto"
).eval()

conversation = """user: Why can an incomplete medical history limit an assessment?
assistant: Missing symptom details and medication history can make it difficult to distinguish possible causes. The assessment should acknowledge this uncertainty and identify what further information is needed."""

rubrics = """1. (+3pts) Acknowledges uncertainty caused by missing information.
2. (+2pts) Identifies examples of missing information that could affect assessment.
3. (-4pts) Makes a definitive diagnosis without patient-specific evidence."""

prompt = GRADING_TEMPLATE.format(conversation=conversation, rubrics=rubrics)
inputs = tokenizer.apply_chat_template(
    [{"role": "user", "content": prompt}],
    tokenize=True, add_generation_prompt=True,
    return_dict=True, return_tensors="pt",
).to(model.device)
outputs = model.generate(**inputs, max_new_tokens=256, do_sample=False)
print(tokenizer.decode(
    outputs[0, inputs["input_ids"].shape[-1]:], skip_special_tokens=True
))

Illustrative output — one boolean per criterion, in the same order:

[true, true, false]

true means the criterion is met. For a negative-point criterion, it means the undesirable behavior is present and its points are deducted.

OnePO divides the sum of matched points by the total positive points, then clips to [0, 1]. The example above scores (3 + 2) / (3 + 2) = 1.0.

⚡ Batch scoring

Download this repository, then run:

python score.py --input example.json
python score.py --input batch.json --batch-size 8

Each record contains prompt, response, and rubrics (criterion, points). For batches, supply a JSON list of records. Each response's rubrics are evaluated together in one generation. Multiple responses share a batch for efficient inference.

The script follows OnePO's training protocol: extract the final answer and keep its first 10,000 characters. It returns criteria_met, raw_score, and the clipped training_reward, before optional training penalties.

📖 Citation

@inproceedings{chen2026onepo,
  title={OnePO: Direct One-stage Policy Optimization for SFT-free Domain Adaptation},
  author={Chen, Junying and Xie, Xinyuan and Li, Ziniu and Wang, Benyou},
  booktitle={Proceedings of the 43rd International Conference on Machine Learning},
  year={2026}
}

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
8b17b10

0 моделей