/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
7,6 млрд
Размер весов
16,4 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-8B
Библиотека
transformers
Опубликована
2 июл 2026

qwen3-8b-material-srpo-ema005

Генерация текстаТекст → текст3 профессии

Дообученный методом SRPO чекпойнт Qwen3-8B для генерации текста в задачах по материалам.

12скачиваний за 30 дней0лайковвеса обновлены2 июл 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/qwen3-8b-material-srpo-ema005 — дообученная модель на базе Qwen/Qwen3-8B, опубликованная в формате Transformers. Это последний чекпойнт обучения SRPO для набора данных material; в карточке приведена лучшая валидационная метрика mean@16 — 75% на шаге 20, тогда как для опубликованного чекпойнта global_step_100 указано итоговое значение 69,81%. Лучшая метрика относится к промежуточному шагу и не характеризует напрямую доступные веса.

Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и имеет контекст длиной 40 960 токенов. Она предназначена для генерации текста в сценариях, связанных с материалами; исходная Qwen3-8B поддерживает многоязычный диалог, следование инструкциям, рассуждения, код и вызов инструментов, однако README не подтверждает качество этих возможностей после данного дообучения. Лицензия — Apache-2.0.

Сценарии применения

  • Генерация ответов на вопросы о материалах
  • Решение текстовых задач из набора данных material
  • Экспериментальная оценка генеративной модели методом выборки нескольких ответов

Ограничения

Опубликован последний чекпойнт global_step_100, а приведённый лучший результат 75% получен на шаге 20 и не относится к загруженным весам; итоговая валидационная метрика чекпойнта составляет 69,81%. README не уточняет охват языков и не подтверждает специализацию или качество модели за пределами набора задач material.

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-material-srpo-ema005

This repository contains the last checkpoint (global_step_100) for qwen3gen-material-SRPO-Qwen-Qwen3-8B-mbs32-ema0.05-dwtrue-train64-rollout8-lr5e-6-vllm0.8, converted to Hugging Face Transformers format.

Evaluation

The reported headline score is the best validation mean@16 observed during training. It is not necessarily the score of the uploaded last checkpoint.

DatasetMethodModelUploaded checkpointBest val mean@16Best stepFinal val mean@16
materialSRPOQwen3-8Bglobal_step_10075.00%2069.81%

Training and validation scores

Raw result files:

  • results/validation_mean16.csv
  • results/training_scores.csv
  • artifacts/config.yaml
  • artifacts/wandb-summary.json

Training Setup

  • Base model: Qwen/Qwen3-8B
  • Dataset: material
  • Method: SRPO
  • EMA teacher update rate: 0.05
  • Uploaded weights: last checkpoint, global_step_100
  • Validation metric used for headline score: val-aux/*/mean@16
  • Validation sampling: n=16

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = "SeongryongJung/qwen3-8b-material-srpo-ema005"
tokenizer = AutoTokenizer.from_pretrained(repo_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    repo_id,
    torch_dtype="auto",
    device_map="auto",
    trust_remote_code=True,
)

Notes

Most best-validation intermediate checkpoints were not retained as full actor checkpoints because training kept only the latest actor checkpoint. Therefore, this repository publishes the last checkpoint and records the best validation score separately.

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
7cb6e68

0 моделей