/ 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-RLRT

Генерация текстаТекст → текст3 профессии

Дообученная Qwen3-4B-Base для исследований усиленного обучения языковых моделей на математических задачах.

19скачиваний 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-RLRT — дообученная языковая модель на архитектуре Qwen3, созданная методом self-distillation reinforcement learning для математических задач. В репозитории опубликован итоговый объединённый чекпойнт после 100 шагов обучения; применялось полнопараметрическое обучение с FSDP на локальной обучающей выборке по математике, без LoRA. Размер модели — 3,7 млрд параметров, контекст — 32 768 токенов; формат весов — safetensors, библиотека — Transformers.

Модель предназначена для исследований и анализа методов RL-донастройки языковых моделей на математических данных. Она генерирует текст и может использоваться для экспериментов с решением математических задач. В README приведены учебные метрики конкретного эксперимента, которые не следует считать широкими бенчмарк-результатами; модель не проходила широкую оценку безопасности для производственного применения. Лицензия — Apache-2.0.

Сценарии применения

  • эксперименты с RL-донастройкой для решения математических задач
  • анализ self-distillation с обратной связью через повторный запрос
  • сравнение методов переоценки токенов при обучении языковой модели

Ограничения

Обучение ограничено 100 шагами на локальной выборке по математике; приведённые метрики относятся к конкретной экспериментальной настройке и не являются широкими бенчмарк-результатами. Модель не проходила широкую оценку безопасности для производственного применения.

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

Qwen3-4B-Base RLRT

RLRT self-distillation reinforcement learning on the local math training split.

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 mode: rlrt.
  • Self-distillation uses reprompt feedback and token reweighting.
  • Token reweighting: lambda 0.5, eps_w 1.0, decay disabled.
  • Advantage estimator remains grpo in the trainer config.
  • 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-RLRT-Qwen3-4B-Base-128-train256-rollout8-lr1e-6-vllm0.75-modelQwen-Qwen3-4B-Base/global_step_100
W&B run idexyyiq0s

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/mean0.462402
Final val-core/math_dapo/acc/mean@10.3

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
d3085e0

0 моделей