/ 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-RLSD

Генерация текстаТекст → текст

Qwen3-8B-Base RLSD — дообученная на математических задачах модель для исследований само-дистилляции и обучения с подкреплением.

21скачиваний 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-RLSD — авторегрессионная языковая модель Qwen3 с 7,6 млрд параметров, дообученная методом RLSD на математической обучающей выборке. Разработчик применил полное обучение параметров с FSDP и объединил итоговый чекпойнт из шардов в формат safetensors. В конфигурации обучения использовался оценщик преимуществ GRPO и локальная функция вознаграждения для математических задач.

Модель предназначена для исследований и анализа методов обучения языковых моделей математическим рассуждениям с подкреплением и само-дистилляцией. Она принимает текст и генерирует текст, имеет контекстное окно 32 768 токенов; метаданные указывают на поддержку чата. Репозиторий содержит результаты эксперимента после 100 шагов обучения, включая среднюю точность 0,266667 на указанной проверочной выборке.

Модель не прошла широкую оценку безопасности и обучалась на локальном математическом наборе данных, поэтому приведённые показатели не следует считать результатами широких бенчмарков. Лицензия — Apache-2.0.

Сценарии применения

  • эксперименты с RLSD для решения математических задач
  • анализ влияния само-дистилляции на математические рассуждения
  • сравнение методов обучения языковых моделей с подкреплением
  • генерация текстовых ответов на математические запросы

Ограничения

Модель обучалась всего 100 шагов на локальной математической выборке; опубликованные метрики относятся к этому эксперименту и не являются широкими бенчмарк-результатами. Модель не проходила широкую оценку безопасности и не заявлена как готовая к производственному применению.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-8B-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/Qwen3-8B-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-RLSD-Qwen3-8B-Base-128-train256-rollout8-lr1e-6-vllm0.75-modelQwen-Qwen3-8B-Base/global_step_100
W&B run idz0qjc5ge

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/mean0.468262
Final val-core/math_dapo/acc/mean@10.266667

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
4ab15a7

0 моделей