/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,7 млрд
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B-Instruct-2507
Библиотека
transformers
Опубликована
19 июн 2026

SPSD-RL-Qwen3-4B-Instruct-2507-SDFT-MCTSStyle-ConciseHint

Генерация текстаТекст → текст5 профессий

Дообученная на SPSD-RL модель Qwen3 с 3,7 млрд параметров для диалоговой генерации текста с контекстом до 262 144 токенов.

20скачиваний за 30 дней0лайковвеса обновлены19 июн 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

LorMolf выпустил дообученную диалоговую модель Qwen3-4B-Instruct-2507 с плотной архитектурой Qwen3ForCausalLM и 3,7 млрд параметров. Она предназначена для генерации текста и диалогов; обучение методом экспериментальной self-distillation (SDFT) использовало датасет LorMolf/SPSD-RL и привилегированный контекст в стиле MCTS с краткой подсказкой для студента.

Модель основана на Qwen/Qwen3-4B-Instruct-2507, обучалась в течение 400 шагов и распространяется в формате safetensors для Transformers. Контекст составляет до 262 144 токенов. Карточка не приводит результаты итоговых бенчмарков, поэтому качество на конкретных задачах по ней оценить нельзя. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация ответов в диалоге
  • следование инструкциям в текстовом чате
  • решение задач с текстовым ответом
  • эксперименты с self-distillation и контекстами в стиле MCTS

Ограничения

В карточке нет результатов итоговых бенчмарков, поэтому эффективность на конкретных задачах не подтверждена. Языки и лицензия не указаны в предоставленных источниках.

Для каких профессий подходит5

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

SPSD-RL Qwen3-4B Instruct 2507 SDFT MCTSStyle ConciseHint

This is the final loadable model root from the 400-step SDFT run qwen3-4b-instruct-2507-sdft-mctsstyle-parity400-concisehint-lr1em6-cumem0-20260615. It starts from Qwen/Qwen3-4B-Instruct-2507 and trains on LorMolf/SPSD-RL using TRL experimental self-distillation with MCTS-style privileged contexts.

Training Summary

  • Method: SDFT over prompt plus privileged MCTS-context rows.
  • Budget: 400 optimizer steps with generation_batch_size=128, or 51,200 generated completions.
  • Learning rate: 1e-6.
  • Runtime: four H200 GPUs, DDP, NCCL_CUMEM_ENABLE=0, USE_FSDP=false.
  • Student concise hint: enabled.
  • generate_from_teacher: false.
  • Train-time eval: disabled (eval_strategy=no) because the TRL SDFT eval path is incompatible with raw prompt/privileged-context batches in this setup.
  • W&B run: x2tz41er in project olmo-spiral-sdft.

The final trainer summary recorded train loss 0.05229, runtime about 1.133e+05 seconds, train samples/s 0.452, and train steps/s 0.004.

Artifact Scope

This Hugging Face repository intentionally contains only the final loadable model payload: model weights, tokenizer/config files, generation config, chat template, and this model card. Intermediate checkpoint-* directories, optimizer/scheduler state, trainer state, logs, caches, and dataset materialization artifacts are not included.

Evaluation

Post-hoc reasoning and OpenReward/CRPT game evaluations should use the repository standard boxed SFT/SDFT profile (sft_boxed_forced) so visible reasoning is preserved while final answers are canonicalized to Final answer: \boxed{...} when needed. No post-hoc benchmark results are included in this model card at upload time.

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
e6f330d

0 моделей