/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
3,7 млрд
Размер весов
8,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B
Библиотека
transformers
Опубликована
31 авг 2026

opd_polaris_15K_qwen3-4b_from_qwen3-30b-a3b_topk16_bf16_epoch_1

Генерация текстаТекст → текст3 профессии

Дообученная методом on-policy distillation модель Qwen3-4B для генерации ответов и рассуждений по математическим задачам.

19скачиваний за 30 дней0лайковвеса 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

SeanWang0027/opd_polaris_15K_qwen3-4b_from_qwen3-30b-a3b_topk16_bf16_epoch_1 — языковая модель Qwen3-4B, дообученная методом on-policy distillation. В обучении использовались распределения top-16 logprob модели Qwen3-30B-A3B-Thinking-2507 на состояниях, которые посещала сама модель-ученик; учитель оценивал токены и не генерировал ответы.

Модель предназначена для генерации текста и рассуждений над соревновательными математическими задачами. Для обучения использовался набор SeanWang0027/polaris_hard: 15 368 задач, один эпох. Модель имеет архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 40 960 токенов; веса доступны в формате safetensors для Transformers. Карточка указывает английский язык.

Запуск обучения использовал bf16, поэтому результаты этого прогона нельзя напрямую сравнивать с результатами OPD в fp32. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • решение соревновательных математических задач
  • генерация пошаговых математических рассуждений
  • ответы на текстовые математические запросы

Ограничения

Обучение выполнено в bf16, поэтому результаты не сопоставимы напрямую с результатами OPD в fp32. Карточка описывает один обучающий прогон на одном наборе математических задач и не сообщает о результатах оценки качества.

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

opd_polaris_15K_qwen3-4b_from_qwen3-30b-a3b_topk16_bf16_epoch_1

On-Policy Distillation. Qwen3-4B trained against top-16 logprobs from Qwen3-30B-A3B-Thinking-2507, which scores and never generates: it runs one forward pass over what the student already wrote and reads the teacher's distribution at the states the student visited.

There is no teacher server and no GPU split — the teacher is a reward-model worker in the same Ray cluster, sharing every GPU with the actor.

Configuration

studentQwen/Qwen3-4B — trained
teacherQwen/Qwen3-30B-A3B-Thinking-2507 — MoE, ~3.4B active/token, scores only
dataSeanWang0027/polaris_hard, 15,368 competition-maths problems, 1 epoch
shapesprompt ≤ 2048, response ≤ 7168, ppo_max_token_len_per_gpu 32768
OPDtoken_reward_direct, top-16, only_stu, student_p
optimizerAdamW, lr 1e-6 constant, wd 0.01, clip 1.0
dtypebfloat16 — a deliberate deviation, see below
steps240 (one epoch), global_step_240
hardware8 × NVIDIA GH200 on TACC Vista, actor and teacher sharing all 8
wall clock11 h 04 m, ~166 s/step

Code: cl-from-nothing/online-rose docs/POLARIS_OPD_QWEN3_30B_A3B_TEACHER.md.

The dtype deviation

The document specifies fp32 (upstream OPD's default). This run is bf16. It is not a preference: the teacher's weights are materialised in full host RAM on the coordinate-0 rank before FSDP shards them, and 30.53B × 4 B = 122 GB does not fit in a Vista node's 117.7 GiB of real Grace DRAM — the run is killed by the OOM killer, not by a CUDA error. The launcher's own header prescribes exactly this remedy below ~200 GB of node RAM. bf16 halves the teacher to 61 GB, which fits.

Nothing here is comparable to an fp32 OPD number.

What the run measured

The paper's condition (i) holds, and this is the part worth having. The doc states that whether a 3.4B-active MoE shares thinking patterns with a 4B student "has not been measured by anyone". It was measured here, across all 240 steps:

step 1step 120step 240
val-topk/overlap_ratio0.6940.6910.673
val-topk/student_p_sum_intersection0.99820.99860.9985
val-topk/teacher_p_sum_intersection0.9974——

99.8% of the probability mass sits on the shared token set, steadily, for the whole run — above the 97–99% the paper reports for successful OPD. overlap_ratio drifts from 0.694 to 0.673, i.e. the top-16 sets overlap slightly less by the end, but the mass does not move: the disagreement is confined to tokens carrying almost no probability.

The student barely moved. Measured against Qwen/Qwen3-4B:

parameters that changed at all1.66% (73.1 M / 4.41 B)
global relative L2 drift6.58e-4
largest per-tensor drift1.33e-3 (layers.33.self_attn.k_proj)
critic/score/mean−0.208 (step 1) → −0.203 (step 240), flat throughout
actor/entropy0.346 → 0.313
actor/grad_norm2.88 → 1.50

For context, two ROSE runs on the same corpus and cluster, also bf16 but at lr 1e-5, moved 12.3% and 15.5% of their parameters. This run used lr 1e-6. A single AdamW step at 1e-6 is roughly 40× smaller than a bf16 half-ULP at |w| ≈ 0.02 (~3.9e-5), so most weights cannot represent the update at all. That is a consistent reading of three runs, not a controlled experiment — the students, teachers and objectives all differ, and no fp32 arm has been run.

No downstream evaluation has been run on this checkpoint or on the base model.

Treat this as a reproduction artifact of the training run and a measurement of OPD's condition (i) with a MoE teacher — not a model claimed to be better than Qwen/Qwen3-4B.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer
mid = "SeanWang0027/opd_polaris_15K_qwen3-4b_from_qwen3-30b-a3b_topk16_bf16_epoch_1"
tok = AutoTokenizer.from_pretrained(mid)
model = AutoModelForCausalLM.from_pretrained(mid, dtype="bfloat16", device_map="auto")

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
02fc547

0 моделей