/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
508 млн
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-0.6B
Библиотека
transformers
Опубликована
30 авг 2026

Qwen3-0.6b-ifrlvr-grpo

Генерация текстаТекст → текст8 профессий

Дообученная Qwen3-0.6B для генерации текста, диалогов, точного следования инструкциям и решения проверяемых задач.

49скачиваний за 30 дней1лайквеса обновлены31 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 «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

Kiffaz11/Qwen3-0.6b-ifrlvr-grpo — дообученная методом GRPO модель Qwen3-0.6B, созданная для следования инструкциям и решения задач с проверяемыми ответами. Она предназначена для генерации текста и диалогов; в README описаны результаты на тестах соблюдения программно проверяемых ограничений IFEvalG и IFEval, а также на GSM8K. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит около 507,9 млн параметров и поддерживает контекст до 40 960 токенов.

По данным README, обучение проводилось в TRL в течение 1200 шагов на смеси задач с ограничениями и GSM8K. В тестах авторов модель улучшила следование инструкциям в режимах с рассуждением и без него; прирост на GSM8K показан в режиме без рассуждений, тогда как в режиме с рассуждениями результаты по математике и MMLU номинально ниже базовой модели, без статистически значимого ухудшения. Это компактная текстовая модель общего назначения, разработанная на основе Qwen/Qwen3-0.6B. Лицензия — Apache-2.0.

Сценарии применения

  • генерация ответов по заданным форматным ограничениям
  • выполнение многошаговых инструкций в диалоге
  • решение арифметических задач GSM8K
  • генерация текста с включённым режимом рассуждений

Ограничения

В режиме рассуждений результаты на GSM8K и MMLU номинально ниже базовой модели, хотя авторы не обнаружили статистически значимого ухудшения. Заявленные улучшения основаны на оценках и настройках тестирования, описанных авторами модели.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

qwen3-0.6b-ifrlvr-grpo

An RLVR (GRPO) fine-tune of Qwen/Qwen3-0.6B for instruction following, trained against verifiable rewards only — IFEvalG programmatic constraint checkers plus GSM8K exact-answer match. Instruction following improves substantially and significantly in both reasoning modes, at no measurable cost to general knowledge.

Results

Same-harness comparison against the original Qwen/Qwen3-0.6B. IFBench and IFEval are prompt-level accuracy (strict / loose).

Non-thinking

2048-token budget. GSM8K and MMLU use standard few-shot prompting with no chat template.

Benchmarkbasegrpo-CΔ
IFBench (strict / loose)16.67 / 22.0023.33 / 27.67+6.67 / +5.67
IFEval (strict / loose)31.05 / 31.9831.98 / 33.64+0.93 / +1.66
GSM8K41.5546.47+4.92
MMLU39.9740.00+0.03

Thinking

Chat template (which enables Qwen3's reasoning block), 8192-token budget.

Benchmarkbasegrpo-CΔ
IFBench (strict / loose)20.33 / 26.0026.33 / 31.33+6.00 / +5.33
IFEval (strict / loose)57.30 / 60.8164.70 / 69.13+7.40 / +8.32
GSM8K62.9360.42−2.51 (n.s.)
MMLU (zero-shot CoT)47.5145.82−1.69 (n.s.)

Significance

Paired McNemar exact test on stored per-prompt outputs, with a paired bootstrap confidence interval (20 000 resamples). Benchmarks scored through lm_eval have no per-item log, so they use a conservative unpaired two-proportion test.

ComparisonΔ95% CIp
IFBench strict · non-thinking+6.67[+3.33, +10.33]3.3e-04
IFBench strict · thinking+6.00[+2.00, +10.33]7.9e-03
IFEval strict · thinking+7.39[+3.33, +11.65]5.7e-04
IFEval loose · thinking+8.13[+3.88, +12.38]1.8e-04
GSM8K · non-thinking+4.92[+1.14, +8.70]0.011
MMLU · non-thinking+0.03[−1.12, +1.18]0.959
GSM8K · thinking−2.51[−6.22, +1.20]0.185
MMLU-CoT · thinking−1.69[−5.93, +2.55]0.434

Every instruction-following gain is significant. Nothing regresses significantly.

Caveats, stated plainly

  • The math gain is a non-thinking gain. GSM8K rises +4.92 without reasoning, but with reasoning enabled both models land together near 60–63. Reasoning already supplies what the 20% GSM8K slice of the RL mix bought.
  • Both thinking-mode reasoning benchmarks sit nominally below base (GSM8K −2.51, MMLU-CoT −1.69). Neither is statistically significant and both confidence intervals contain zero, so this is not a demonstrated regression — but it is two independent negatives in the same direction and deserves a tighter measurement.
  • Read thinking-mode GSM8K on flexible-extract. The strict-match filter requires a literal #### n ending that a reasoning response never emits; it scores formatting, not arithmetic (base 15.92 / grpo-C 9.33 under that filter).
  • Thinking-mode MMLU is the generative zero-shot-CoT variant (mmlu_flan_cot_zeroshot, 57 subjects, 1065 items). The default MMLU task is scored by log-likelihood over the four options — nothing is generated, so "thinking" is undefined for it. Both models use the identical subsample and seed.

Harness calibration against published Qwen3-0.6B figures: our base measurement gives IFBench-loose 26.00 (published 25.67) and IFEval-strict 57.30 (published 59.89).

Training

Inita task-arithmetic merge of two earlier GRPO runs (WARP-style restart, not from base)
AlgorithmGRPO (TRL), 1200 steps, 8 generations per prompt
Dataallenai/IF_multi_constraints_upto5 (80%) + GSM8K (20%)
RewardIFEvalG constraint verifiers; GSM8K exact answer
KL β0.02 — realised KL mean 0.040, max 0.164
Reward curve0.551 → 0.631, flat across the final 300 steps
Seed17
Hardware1× H100, ~100 minutes

Prompts were reward-density prefiltered and 8-gram decontaminated against the evaluation sets: 7420 probed → 5389 kept (941 saturated, 1090 hopeless, 580 decontamination drops). Prompts the policy already always solves or never solves are dropped, since neither produces gradient under GRPO's group-relative advantage.

Interpolating this checkpoint back toward base at α=0.75 reduced IFBench by 1.0 and GSM8K by 2.0, so the raw RL checkpoint is the one released.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "Kiffaz11/qwen3-0.6b-ifrlvr-grpo-C"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)

messages = [{"role": "user", "content": "Write exactly three sentences about the sea."}]
text = tokenizer.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True, enable_thinking=False
)

Set enable_thinking=True for the reasoning mode measured above.

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
754c7d0

0 моделей