/ 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-step200

Генерация текстаТекст → текст3 профессии

Слитая экспериментальная версия Qwen3.5-27B для аннотации и перевода на тибетском и традиционном монгольском языках.

14скачиваний 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-step200 — слитый чекпойнт Qwen3.5-27B, подготовленный MooreMuaMu для задач с древними языками. Веса LoRA ранга 32, обученной методом GRPO, объединены с базовой моделью второго этапа обучения; репозиторий содержит полные веса bfloat16 в формате safetensors и файлы токенизатора, процессора и шаблона чата для загрузки через Transformers.

Модель предназначена для ответов на запросы по тибетской и традиционной монгольской аннотации и переводу. В тестировании на 300 отложенных запросах доля непустых извлечённых ответов выросла с 93,7% у базы до 98,7%, а корпусный BLEU-2 улучшился на 3,21 процентного пункта. При этом точное совпадение снизилось, доверительные интервалы семантических метрик включали ноль, а результаты по отдельным языковым задачам были неоднородными; автор описывает чекпойнт как исследовательский эксперимент. Лицензия — Apache-2.0.

Сценарии применения

  • аннотация тибетских текстов
  • перевод текстов на тибетский язык
  • аннотация текстов на традиционном монгольском
  • перевод текстов на традиционный монгольский
  • генерация ответов на запросы по древним языкам

Ограничения

Это экспериментальный чекпойнт на шаге 200: оценки семантических метрик имеют доверительные интервалы, пересекающие ноль, а результаты различаются между задачами и языками. В тестировании точное совпадение было ниже базовой модели.

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-step200

This repository contains the full merged bfloat16 model for the rank-32 GRPO checkpoint at step 200. 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-step200-lora.

Intended Use

from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = "MooreMuaMu/qwen35-27b-ancient-rl-r32-step200"
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-200
  • 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 200Delta95% CI
Exact0.33670.3100-0.0267[-0.0700, +0.0133]
Char-F10.57080.5758+0.0050[-0.0320, +0.0431]
BERTScore-F10.76270.7901+0.0274[-0.0010, +0.0571]
Semantic composite0.60610.6139+0.0078[-0.0255, +0.0415]
Has answer0.94000.9867+0.0467[+0.0167, +0.0767]

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 200Delta
Corpus BLEU-2 (%)34.5937.80+3.21 pp
Sentence BLEU-2 mean (%)48.4247.59-0.82 pp
Nonempty extracted answer93.7%98.7%+5.0 pp

Bucket-level SacreBLEU2:

BucketCorpus BLEU-2 base -> step200DeltaSentence BLEU-2 base -> step200DeltaStep200 nonempty
Tibetan annotation65.98 -> 59.98-6.00 pp74.86 -> 66.85-8.01 pp96.0%
Tibetan translation14.16 -> 21.22+7.06 pp14.20 -> 18.87+4.67 pp100.0%
Traditional Mongolian annotation48.69 -> 54.63+5.94 pp48.83 -> 47.03-1.79 pp98.0%
Traditional Mongolian translation33.79 -> 30.38-3.41 pp31.77 -> 32.50+0.73 pp100.0%
Uyghur annotation81.43 -> 89.15+7.72 pp85.26 -> 89.94+4.68 pp98.0%
Uyghur translation39.48 -> 30.69-8.79 pp35.57 -> 30.35-5.21 pp100.0%

Decision note: step 200 is an exploratory checkpoint. It improves answer presence significantly and has positive BERTScore/SacreBLEU2 corpus movement, but aggregate semantic confidence intervals still cross zero and translation buckets are mixed.

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
3597aab

0 моделей