/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,7 млрд
Размер весов
8,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B-Base
Библиотека
transformers
Опубликована
19 июн 2026

Qwen-4b-base-GRPO

Генерация текстаТекст → текст

Дообученная методом GRPO модель Qwen3 на 3,7 млрд параметров для генерации текста и исследования обучения математическим рассуждениям.

16скачиваний 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

SeongryongJung/Qwen-4b-base-GRPO — плотная языковая модель Qwen3 с 3,7 млрд параметров, полученная полнопараметрическим дообучением Qwen/Qwen3-4B-Base методом GRPO с правилом оценки математических ответов. Репозиторий содержит итоговый объединённый чекпойнт в формате safetensors; модель предназначена для генерации текста и экспериментов с обучением математическим рассуждениям с подкреплением.

Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. Обучение проведено на локальном математическом наборе данных за 100 шагов; приведённые в карточке показатели отражают только метрики этого эксперимента. Лицензия — Apache-2.0.

Сценарии применения

  • изучение GRPO для математических задач
  • эксперименты с подкреплением языковой модели на математических ответах
  • генерация текстовых решений математических задач

Ограничения

Модель обучалась 100 шагов на локальном математическом наборе; метрики обучения и валидации из эксперимента не являются широкими бенчмарками. Модель не проходила широкую оценку безопасности для производственного применения.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-4B-Base GRPO

GRPO reinforcement learning on the local math training split with a rule-based math reward.

This repository contains the final merged Hugging Face checkpoint from global_step_100. The training checkpoint was saved from FSDP shards and merged to safetensors for this upload.

Training Method

  • Policy loss: GRPO.
  • Advantage estimator: grpo, with normalized group advantages.
  • Rollout correction: token-level importance sampling with threshold 2.0.
  • Reward function: local math compute_score reward manager.
  • Fine-tuning type: full-parameter FSDP training, not LoRA.

Training Hyperparameters

FieldValue
Base modelQwen/Qwen3-4B-Base
Train file/home1/irteam/SDPO/self-distillation-analysis/data/math/train.parquet
Validation file/home1/irteam/SDPO/self-distillation-analysis/data/math/evaluation/aime24.parquet
Train max samples25600
Train batch size256
Rollouts per prompt8
PPO mini batch size128
PPO micro batch size per GPU1
OptimizerAdamW
Learning rate1e-06
Weight decay0.01
LR warmup steps10
Total training steps100
Save frequencyevery 10 steps
Validation frequencyevery 10 steps
Max prompt length2048
Max response length20480
Rollout backendvllm
Rollout temperature1
Rollout top_p1
vLLM GPU memory utilization0.75
Actor strategyfsdp
Dtypebfloat16
Advantage estimatorgrpo
Gamma / Lambda1 / 1
KL loss enabledFalse
KL loss coefficient0.001
Checkpoint uploadedmath-GRPO-Qwen3-4B-Base-128-train256-rollout8-lr1e-6-vllm0.75-modelQwen-Qwen3-4B-Base/global_step_100
W&B run idwwq8h0zc

Training Score

The plot below shows critic/score/mean logged during training.

Training score

CSV data is included in training_score.csv.

MetricValue
Final training step100
Final critic/score/mean0.336426
Final val-core/math_dapo/acc/mean@10.133333

Intended Use

This model is intended for internal research and analysis of math-focused RL fine-tuning methods. It has not been broadly safety evaluated for production use.

Limitations

The model was trained for 100 optimization steps on a local math dataset split. Reported scores are training-time reward/validation metrics from the same experiment setup and should not be treated as broad benchmark results.

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
c890ce8

0 моделей