/ 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-RLSD

Генерация текстаТекст → текст3 профессии

Экспериментальное дообучение Qwen3-4B-Base методом RLSD для исследований обучения генерации математических ответов с подкреплением.

9скачиваний 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-RLSD — экспериментальный чекпойнт на базе языковой модели Qwen3-4B-Base, дообученный авторами репозитория методом RLSD с полным обновлением параметров через FSDP. Обучение использует самодистилляцию с повторной подачей обратной связи и перевзвешиванием токенов; оценка преимущества в конфигурации тренера выполняется методом GRPO. Модель предназначена для внутренних исследований и анализа методов обучения математическим задачам с подкреплением.

Чекпойнт содержит 3,7 млрд параметров, построен на плотной архитектуре Qwen3 для генерации текста и поддерживает контекст до 32 768 токенов. Обучение продолжалось 100 шагов на локальной математической выборке; приведённые метрики относятся к этой экспериментальной настройке и не являются широкими результатами бенчмарков. Модель выпущена под лицензией Apache-2.0. Она не проходила широкую оценку безопасности и не позиционируется как готовая для производственного применения.

Сценарии применения

  • изучение RLSD для дообучения языковых моделей на математических задачах
  • анализ самодистилляции с повторной подачей обратной связи
  • воспроизведение экспериментов GRPO на математической выборке

Ограничения

Обучение ограничено 100 шагами на локальной математической выборке, а приведённые метрики не отражают широкую оценку качества. Модель не проходила широкую оценку безопасности и не предназначена 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 RLSD

RLSD 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: rlsd.
  • Self-distillation uses reprompt feedback and token reweighting.
  • Token reweighting: lambda 0.5, eps_w 0.2, decay steps 50.
  • 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-RLSD-Qwen3-4B-Base-128-train256-rollout8-lr1e-6-vllm0.75-modelQwen-Qwen3-4B-Base/global_step_100
W&B run id3tuehy90

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/mean0.304199
Final val-core/math_dapo/acc/mean@10.1

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
a0ee6a2

0 моделей