/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,7 млрд
Размер весов
16,1 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B-Instruct-2507
Опубликована
19 сен 2026

Qwen3-4B-Instruct-2507.prestar-RL.reason-only.lr7e-7-kl0.step-2176

Генерация текстаТекст → текст3 профессии

Экспериментальный чекпойнт Qwen3, дообученный с подкреплением для генерации коротких рассуждений о продолжении научных текстов по статистическому машинному обучению.

665скачиваний за 30 дней0лайковвеса обновлены26 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

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный Jack Hsieh методом обучения с подкреплением. Модель предназначена для генерации коротких плотных рассуждений о продолжении научного текста: по префиксу документа она формирует несколько предложений о следующих восьми токенах. Обучение проводилось на фрагментах статей arXiv по статистическому машинному обучению; чекпойнт соответствует шагу 2176 и был лучшим по валидации на момент экспорта.

Модель имеет плотную архитектуру Qwen3ForCausalLM и около 3,7 млрд параметров. Она принимает текст и генерирует текст; контекст — до 262 144 токенов. Для работы предусмотрен специальный reason-only шаблон диалога, а при обучении использовались RLOO, выборка с температурой 0,6 и top-p 0,9. На валидационной сетке оценка составила −1,1420 нат/токен против −1,1493 у базовой модели. Доступна в формате Safetensors по лицензии Apache-2.0.

Сценарии применения

  • Генерация кратких рассуждений о вероятном продолжении текста научной статьи
  • Исследование обучения языковых моделей с подкреплением на предсказании продолжения текста
  • Оценка влияния текстовых подсказок на вероятность следующих токенов в научных документах

Ограничения

Модель обучалась на узкой задаче о продолжении научных текстов по статистическому машинному обучению и требует специального reason-only шаблона. Улучшение относительно базовой модели на описанной валидационной метрике невелико; обобщение на другие задачи не подтверждено.

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.prestar-RL.reason-only.lr7e-7-kl0.step-2176

Qwen/Qwen3-4B-Instruct-2507 fine-tuned with RL to write short "thoughts" about the text that immediately follows a cut in a stat.ML arXiv paper. This is the step 2176 policy of the prestar-RL run reason-only / stride-1 consumer / lr 7e-7, no KL, exported in fp32 from the trainer's FSDP master weights. It is the best-validation checkpoint of the run at the time of export.

What it was trained to do

Given a document prefix, the policy writes a few dense sentences inside <thought> … </thought> about the next 8 tokens. The reward is the mean per-token log-probability of the true 8-token continuation under a frozen suffix conditional, JackHsieh/4B-base.4B-Instruct-reason-thoughts.stride-1.suffix-conditional, which reads the thought in a KEY/VALUE hint wrap prepended to the document. Higher is better; the base model scores -1.1493 nats/token on the validation grid and this checkpoint scores -1.1420.

Training

  • Algorithm: RLOO (leave-one-out baseline), 8 samples per prompt, 64 prompts per step, CISPO-style policy loss, no KL term
  • Optimizer: AdamW, constant lr 7e-7
  • Prompts: the first 1,024 documents of JackHsieh/statML-arxiv-RL-4k-docs, every 8-token chunk (stride 1)
  • Sampling during training: temperature 0.6, top-p 0.9, stop at </thought>, 1,024-token cap; a rollout with no </thought> receives a fixed penalty of -8 nats/token
  • Validation: one sample per chunk on the stride-32 grid of the JackHsieh/statML-arxiv-40M-20M test split (72,960 chunks)
  • Framework: verl with vLLM rollouts; 8x H200
  • Logs: wandb run (the run was requeued several times; each segment is a separate wandb run in the same group)

Usage

Prompt with the reason-only chat template used for training: a system message describing the task, the raw document prefix as the user turn, and an assistant turn pre-filled with <thought>\n. Sample at temperature 0.6, top-p 0.9, and stop on </thought>. The template is in the prestar repository (chat_templates/qwen/reason-only-nothink.jinja).

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
1824d67

0 моделей