/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
3,7 млрд
Размер весов
8,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B
Библиотека
transformers
Опубликована
28 июн 2026

Qwen3-4B-Chemistry-SDPO

Генерация текстаТекст → текст

Дообученная на химических задачах Qwen3-4B для генерации ответов и исследований обучения с подкреплением и само-дистилляции.

154скачиваний за 30 дней1лайквеса обновлены28 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/Qwen3-4B-Chemistry-SDPO — дообученная методом SDPO языковая модель на базе Qwen/Qwen3-4B, предназначенная для ответов на вопросы по химии и экспериментов с обобщением на научных задачах. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 3,7 млрд параметров и принимает текст, выдавая текст; заявленный контекст — 40 960 токенов.

Обучение проводилось с полным обновлением параметров методом RL на 1 890 примерах химии из SciKnowEval-style набора, с проверкой на 210 примерах. В README приведены результаты локальной валидации нескольких чекпойнтов, но они не являются широкими независимыми бенчмарками. Модель ориентирована на исследования, не проходила широкую оценку безопасности для производственного применения. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы по химии с выбором варианта
  • исследование обобщения на научных задачах
  • эксперименты с RL-дообучением языковых моделей

Ограничения

Оценки в карточке получены только в локальной экспериментальной настройке и не заменяют независимые широкие бенчмарки. 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 Chemistry SDPO

This repository contains Chemistry fine-tuned Qwen3-4B checkpoints from the local SciKnowEval-style generalization setup.

  • Root checkpoint: final global_step_100 merged to Hugging Face safetensors.
  • best_avg16/: checkpoint with the highest validation avg@16 during training, merged to Hugging Face safetensors.

Checkpoints

CheckpointSource stepValidation avg@16best@16maj@16
Root final1000.7205360.7315670.721367
best_avg16/200.7663690.8228710.779486

Training Run

qwen3gen-chemistry-SDPO-Qwen-Qwen3-4B-mbs32-ema0.05-train256-rollout8-lr1e-5-vllm0.8

W&B run: https://wandb.ai/seongryongjung-chung-ang-university/qwen3-generalization-batch256/runs/1qazekk3

Base Model

  • Base model: Qwen/Qwen3-4B
  • Fine-tuning type: full-parameter FSDP RL training
  • Dataset: datasets/sciknoweval/chemistry
  • Train split: 1,890 examples
  • Validation split: 210 examples

Method

  • Method: SDPO
  • Config: sdpo
  • Policy loss mode: sdpo
  • Reward: local SciKnowEval multiple-choice reward checker
  • Rollout correction: token-level importance sampling, threshold 2.0

Hyperparameters

FieldValue
Base modelQwen/Qwen3-4B
Training steps100
Train batch size256
Rollouts per prompt8
Generations per step2048
PPO mini batch size32
Learning rate1e-5
LR warmup steps10
Weight decay0.01
Grad clip1.0
Max prompt length2048
Max response length8192
Max model length10240
Train temperature1.0
Train top_p1.0
Validation generations16
Validation temperature0.6
Validation top_p0.95
vLLM GPU memory utilization0.8
GPUs8 x NVIDIA H200
Save frequencyevery 10 steps
Validation frequencyevery 10 steps
Distillation top-k100
SDPO alpha0.5
Teacher update rate0.05
Distillation IS clip2.0
Max reprompt length10240

Metrics

Training score

CSV files:

MetricValue
Final training step100
Final critic/score/mean0.845215
Final critic/rewards/mean0.845215
Final validation avg@160.720536
Peak validation avg@160.766369
Peak validation step20

Loading

Root final checkpoint:

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("SeongryongJung/Qwen3-4B-Chemistry-SDPO")
tokenizer = AutoTokenizer.from_pretrained("SeongryongJung/Qwen3-4B-Chemistry-SDPO")

Best avg@16 checkpoint:

model = AutoModelForCausalLM.from_pretrained("SeongryongJung/Qwen3-4B-Chemistry-SDPO", subfolder="best_avg16")
tokenizer = AutoTokenizer.from_pretrained("SeongryongJung/Qwen3-4B-Chemistry-SDPO", subfolder="best_avg16")

Intended Use

This model is intended for research on RL fine-tuning and self-distillation behavior on science/generalization tasks. It has not been broadly safety evaluated for production use.

Limitations

The reported scores are training-time and validation-time metrics from the local experimental setup. They should not be interpreted as broad benchmark results without independent evaluation.

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
0453378

0 моделей