/ 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
18 июл 2026

ABForge-Qwen3-8B

Генерация текстаТекст → текст3 профессии

Модель SlowGuess на базе Qwen3-8B предлагает цели и планы абляционных экспериментов по методологии научной статьи.

49скачиваний за 30 дней1лайквеса обновлены20 авг 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

ABForge-Qwen3-8B — дообученная исследовательская модель от SlowGuess для проектирования абляционных экспериментов по описанию методологии научной статьи. Получив методологию без раздела об абляциях, она предлагает цели абляционного анализа и составляет план экспериментов для каждой цели.

Модель основана на плотной архитектуре Qwen3ForCausalLM с 7,6 млрд параметров и контекстом до 40 960 токенов. Обучение включало supervised fine-tuning и последующую оптимизацию GRPO на сбалансированной смеси двух задач; данные собраны из научных работ в области ML, NLP и компьютерного зрения. Карточка указывает английский язык. Модель поддерживает диалоговый интерфейс и интерфейс вызова инструментов, однако заявленная основная задача — генерация текста.

В оценке AblationBench модель показала себя лучше базовой Qwen3-8B по выявлению целей и планированию абляций; результаты получены на 200 статьях с автоматической оценкой LLM-судьёй. Для ожидаемого формата ответа следует использовать шаблоны запросов из кода проекта и жадное декодирование. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • предложение целей абляционного исследования по методологии статьи
  • составление плана абляционных экспериментов для ML-работы
  • анализ методологии научной статьи для проектирования абляций

Ограничения

Оценка описана для набора из 200 статей с автоматическим судейством LLM, поэтому её результаты не гарантируют качество на других областях и форматах. Для соответствия ожидаемой структуре ответа README рекомендует применять шаблоны запросов из кода проекта и жадное декодирование.

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

ABForge-Qwen3-8B

About

This repository contains ABForge-Qwen3-8B, the model presented in ABForge: Post-Training for Paper-Grounded Ablation Design. Given a paper's methodology with its ablation content removed, it proposes the ablation objectives the paper should investigate and designs a rigorous experiment plan for each — both from a single checkpoint.

The model is obtained through an SFT → GRPO pipeline on Qwen3-8B, trained throughout on a 1:1 mixture of the two tasks:

  1. Supervised fine-tuning on the ABForge SFT corpus, one full epoch → ABForge-Qwen3-8B-SFT
  2. Rubric-guided GRPO, 200 updates, each rollout routed to its task's reward by data_source → this model

Links

ResourceLink
CodeSlowGuess/Abforge_1
Training & evaluation dataSlowGuess/abforge-data
SFT checkpointSlowGuess/ABForge-Qwen3-8B-SFT
RL-only checkpointSlowGuess/ABForge-Qwen3-8B-RL
Per-paper outputs & judge rationalesoutputs/task{1,2}/*/abforge.jsonl in the data repo

Training data

SlowGuess/abforge-data ships a single table under train/, one row per paper, built by a semi-automated audit-in-the-loop pipeline over research papers from major ML, NLP and CV venues. Both stages select their rows from that table by its split columns and mix the two tasks 1:1:

  • SFT — in_sft_task1 (45,961 papers) + in_sft_task2 (36,955)
  • GRPO — in_rl_task1 + in_rl_task2 (30,000 papers each, disjoint from the SFT pool)

The benchmark papers carry no training flag, so they cannot leak into either stage. The preprocessing scripts in the code release turn the table into the training parquets directly.

Performance

AblationBench, automated rubric-based LLM-as-a-Judge evaluation (eval/ablationbench_200.jsonl, 200 papers, judge claude-sonnet-4-6). Task 1 is ablation objective identification (paper_score); Task 2 is ablation plan synthesis (design_score, ×100).

ModelTask 1Task 2
Qwen3-8B (base)44.443.4
ABForge-Qwen3-8B-SFT (SFT only)30.752.2
ABForge-Qwen3-8B-RL (RL only)52.254.9
ABForge-Qwen3-8B (SFT → GRPO)55.962.4

Each stage on its own falls short: SFT trades Task 1 for Task 2, and GRPO from the base model plateaus below the full pipeline. Running GRPO from the SFT checkpoint is worth +3.7 on Task 1 and +7.5 on Task 2 over RL alone.

Evaluation

Reproduce the numbers above with the code release:

git clone https://github.com/SlowGuess/Abforge_1 && cd Abforge_1
huggingface-cli download SlowGuess/abforge-data --repo-type dataset \
  --include "eval/*" --local-dir data

python run_inference_local.py --task 1 \
  --input data/eval/ablationbench_200.jsonl \
  --output outputs/task1_infer.jsonl \
  --model-path SlowGuess/ABForge-Qwen3-8B \
  --dtype bf16 --device-map auto \
  --max-new-tokens 5120 --temperature 0.0 --stop-on '</Result>'

export JUDGE_API_BASE=https://api.openai.com/v1
export JUDGE_API_KEY=...
export JUDGE_MODEL=...
scripts/evaluate_task1.sh outputs/task1_infer.jsonl

Swap --task 2, --stop-on '</Proposed_Plan>' and scripts/evaluate_task2.sh for Task 2. The model is trained on the prompt templates in the code release and the rubric evaluator expects the matching output structure, so use those templates and greedy decoding.

Citation

@misc{abforge2026,
  title={ABForge: Post-Training for Paper-Grounded Ablation Design},
  author={TODO},
  year={2026},
}

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
6af82ed

0 моделей