/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,6 млрд
Размер весов
16,4 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-8B-Base
Библиотека
transformers
Опубликована
19 июн 2026

Qwen-8b-base-GRPO

Генерация текстаТекст → текст3 профессии

Дообученная методом GRPO модель Qwen3 на 7,6 млрд параметров для исследований математического обучения с подкреплением и генерации текста.

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-8b-base-GRPO — дообученная авторегрессионная языковая модель семейства Qwen3 с 7,6 млрд параметров, созданная на основе Qwen/Qwen3-8B-Base. Разработчик применил полное обучение параметров с помощью GRPO и FSDP на локальной обучающей выборке по математике, используя правило для расчёта вознаграждения. В репозитории опубликован итоговый объединённый чекпойнт в формате safetensors.

Модель предназначена для исследований и анализа методов обучения языковых моделей математическим задачам с подкреплением, а также для генерации текста в математическом контексте. Контекст — до 32 768 токенов; метаданные указывают поддержку диалогового режима. Карточка не сообщает поддерживаемые естественные языки.

Обучение ограничено 100 шагами. Приведённые значения оценки вознаграждения и точности относятся к той же экспериментальной настройке и не являются широкими бенчмарками. Модель не проходила широкую оценку безопасности для производственного использования. Лицензия — Apache-2.0.

Сценарии применения

  • исследование GRPO для математических задач
  • анализ влияния функции вознаграждения на решение математических задач
  • эксперименты с полным дообучением языковой модели на математической выборке

Ограничения

Модель обучалась 100 шагов на локальной математической выборке; приведённые метрики не являются широкими бенчмарками. Она не проходила широкую оценку безопасности для производственного использования.

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

Qwen3-8B-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/Qwen3-8B-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-Qwen3-8B-Base-128-train256-rollout8-lr1e-6-vllm0.75-modelQwen-Qwen3-8B-Base/global_step_100
W&B run idr7b8w3q5

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/mean0.520996
Final val-core/math_dapo/acc/mean@10.233333

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
3f0280e

0 моделей