/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
9,1 ГБ
Архитектура
qwen3_5 · dense
Базовая модель
qwen35_4b_sft_VE
Библиотека
transformers
Опубликована
29 авг 2026

qwen35_4b_sft_VE_GRPO_RL

Изображение и текст → текст

Дообученный методом GRPO чекпойнт Qwen3.5-4B для диалога, понимания изображений и оценки видео в агентных сценариях.

8скачиваний за 30 дней0лайковвеса обновлены29 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 «Изображение → 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

JianhuiWei разработала дообученный чекпойнт Qwen3.5-4B для диалогов с изображениями и сценариев оценки видео. Модель получена методом GRPO на основе JianhuiWei/qwen35_4b_sft_VE; языковые веса взяты с шага обучения 294, а визуальный энкодер сохранён от исходного SFT-чекпойнта. Архитектура — плотная Qwen3.5 с условной генерацией; файлы опубликованы в формате safetensors для Transformers.

Модель принимает текст и изображения и генерирует текстовые ответы. Она предназначена для диалогового понимания визуальных данных и работы в агентных сценариях с вызовом инструментов; README описывает обучение для video evaluation, но не сообщает о поддержке входного видео напрямую. Для шаблона диалога используется специальный chat template Qwen3.5 с блоками рассуждений и XML-форматом вызовов инструментов. Лицензия в предоставленных данных не указана.

Сценарии применения

  • ответы на вопросы по изображениям
  • диалоговое описание визуальных материалов
  • оценка видеосценариев по визуальным данным
  • выполнение агентных задач с вызовом инструментов

Ограничения

README не подтверждает непосредственный приём видео, поэтому поддержку видео на входе нельзя считать установленной. Языки и условия лицензии не приведены в доступных данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3.5-4B · Video-Evaluation GRPO

This directory contains the Hugging Face conversion of the final checkpoint from the video-evaluation GRPO run initialized from JianhuiWei/qwen35_4b_sft_VE.

Training summary

  • Initial model: JianhuiWei/qwen35_4b_sft_VE
  • RL algorithm: GRPO
  • Agent harness: OpenCode
  • Final checkpoint: global step 294
  • Samples per prompt: 16
  • Learning rate: 1e-6 with a constant schedule
  • KL regularization: low-variance KL with coefficient 0.001
  • Advantage normalization: enabled
  • Error Tool-Call Mask in the initial SFT model: disabled

The full effective configuration, artifact provenance, and Step-294 evaluation snapshot are recorded in RL_TRAINING_METADATA.md.

Custom chat template

The bundled chat_template.jinja is the custom Qwen3.5 template used by the training and inference stack. It preserves assistant reasoning content in <think> blocks and renders tool calls in Qwen's XML-style tool-call format.

When serving with SGLang, pass the template explicitly:

python -m sglang.launch_server \
  --model-path /path/to/model \
  --chat-template /path/to/model/chat_template.jinja \
  --reasoning-parser qwen3 \
  --tool-call-parser qwen3_coder

Transformers loading

import torch
from transformers import AutoProcessor, Qwen3_5ForConditionalGeneration

model_id = "/path/to/model"
processor = AutoProcessor.from_pretrained(model_id)
model = Qwen3_5ForConditionalGeneration.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

The checkpoint is stored as sharded Hugging Face safetensors. The language weights come from RL step 294; the frozen visual encoder is preserved from the initial SFT model. Optimizer, scheduler, trainer, and RNG states are intentionally excluded.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
aeeb1f8

0 моделей