/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
54,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Библиотека
transformers
Опубликована
14 авг 2026

qwen35-27b-ancient-rl-r32-step100

Генерация текстаТекст → текст3 профессии

Объединённая модель Qwen3.5-27B для генерации ответов, аннотации и перевода тибетского и традиционного монгольского языков.

29скачиваний за 30 дней0лайковвеса обновлены14 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

MooreMuaMu/qwen35-27b-ancient-rl-r32-step100 — полноразмерная объединённая модель на архитектуре Qwen3.5-27B, разработанная на основе этапа 2 модели для древних языков. LoRA-адаптер ранга 32 обучен методом GRPO до шага 100 и объединён с базовой моделью; веса сохранены в bfloat16 в формате safetensors. Модель предназначена для генерации текста и диалоговой работы с заданиями по аннотации и переводу тибетского и традиционного монгольского языков.

Проверка на отложенной выборке из 300 запросов показала небольшой прирост общего показателя Exact относительно базовой модели, однако доверительный интервал включает ноль. Показатель BLEU-2 вырос в основном за счёт аннотации традиционного монгольского; результаты различались между языковыми заданиями, поэтому качество не гарантировано для каждого сценария. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • аннотация текстов на традиционном монгольском языке
  • перевод текстов на тибетский язык
  • аннотация тибетских текстов
  • генерация ответов на задания по древним языкам

Ограничения

Это исследовательский контрольный чекпойнт на шаге 100: прирост общего Exact невелик, а 95%-й доверительный интервал включает ноль. Метрики различаются по типу задания и языку; например, BLEU-2 для аннотации тибетского снизился.

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

qwen35-27b-ancient-rl-r32-step100

This repository contains the full merged bfloat16 model for the rank-32 GRPO checkpoint at step 100. It is not an adapter-only upload: the LoRA adapter has been merged into the Qwen3.5-27B ancient-language stage-2 base model, and the repository includes the safetensors shards plus tokenizer/processor/chat-template files needed for direct transformers loading.

Adapter-only sibling: MooreMuaMu/qwen35-27b-ancient-rl-r32-step100-lora.

Intended Use

from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = "MooreMuaMu/qwen35-27b-ancient-rl-r32-step100"
tokenizer = AutoTokenizer.from_pretrained(repo_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    repo_id,
    torch_dtype="auto",
    device_map="auto",
    trust_remote_code=True,
)

Training Source

  • Base model: /blob/models/qwen35-27b-ancient-stage2/checkpoint-227-merged
  • LoRA checkpoint: /blob/experiments/ancient-swift-rl-stage2/qwen35_27b_ckpt227_uy_mn_bo_ta_full_r32_lr1e4/v0-20260811-070520/checkpoint-100
  • LoRA rank/alpha: 32/32
  • Merge dtype: bfloat16
  • Serialization: safetensors, 5GB max shard size

Evaluation Summary

Evaluation used the independent six-bucket held-out subset: 300 prompts, 50 per bucket, thinking enabled, temperature 0.7, top-p 0.95, n=1, seed 42. Deltas are prompt-paired against the same base-model generations where applicable. Bootstrap confidence intervals use 10,000 paired samples.

Overall semantic metrics:

MetricBaseStep 100Delta95% CI
Exact0.31330.3400+0.0267[-0.0167, +0.0733]
Char-F10.54990.5579+0.0080[-0.0328, +0.0495]
BERTScore-F10.76380.7657+0.0019[-0.0309, +0.0348]
Semantic composite0.59150.6015+0.0100[-0.0260, +0.0473]
Has answer0.95330.9467-0.0067[-0.0400, +0.0267]

SacreBLEU2 answer-extraction metrics use sacrebleu.metrics.BLEU(tokenize="zh", max_ngram_order=2, smooth_method="exp", effective_order=True) after extracting text inside <ANS>...</ANS> and discarding any prefix before </think>.

MetricBaseStep 100Delta
Corpus BLEU-2 (%)34.3039.86+5.56 pp
Sentence BLEU-2 mean (%)46.1248.10+1.98 pp
Nonempty extracted answer95.0%94.7%-0.3 pp

Bucket-level SacreBLEU2:

BucketCorpus BLEU-2 base -> step100DeltaSentence BLEU-2 base -> step100DeltaStep100 nonempty
Tibetan annotation59.14 -> 56.73-2.41 pp65.40 -> 66.82+1.42 pp94.0%
Tibetan translation15.68 -> 18.15+2.47 pp16.43 -> 16.00-0.43 pp94.0%
Traditional Mongolian annotation53.65 -> 70.42+16.77 pp50.84 -> 56.84+6.01 pp92.0%
Traditional Mongolian translation25.52 -> 26.15+0.63 pp24.41 -> 29.26+4.85 pp100.0%
Uyghur annotation85.13 -> 90.75+5.62 pp87.89 -> 87.26-0.63 pp88.0%
Uyghur translation34.55 -> 36.67+2.12 pp31.77 -> 32.41+0.64 pp100.0%

Decision note: step 100 is an exploratory checkpoint. Its aggregate semantic improvement is small and the confidence interval crosses zero, although SacreBLEU2 corpus score improves, mainly from Traditional Mongolian annotation.

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
756a4ba

0 моделей