/ 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-RL

Генерация текстаТекст → текст3 профессии

Дообученная на GRPO модель Qwen3-8B, которая предлагает цели абляционных исследований и составляет планы экспериментов по методологии научной статьи.

39скачиваний за 30 дней0лайковвеса 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-RL — экспериментальная версия модели ABForge от SlowGuess для проектирования абляционных исследований по научным статьям. Получив описание методологии статьи без раздела об абляциях, модель предлагает цели для проверки и составляет план экспериментов; обе задачи выполняются одной моделью. Модель построена на Qwen3-8B и дообучена методом GRPO по рубрикам в течение 200 обновлений без предварительного SFT. Это RL-only вариант из абляционного исследования ABForge, а не основная версия с последовательностью SFT и GRPO.

Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат safetensors. Она принимает текст и генерирует текст, рассчитана на английский язык; контекст — до 40 960 токенов. В тесте AblationBench на 200 статьях RL-only модель получила 52,2 балла за определение целей абляций и 54,9 за синтез планов экспериментов по автоматической оценке языковой моделью. Для воспроизводимых результатов README рекомендует использовать шаблоны запросов из кода проекта и жадное декодирование. Лицензия — Apache-2.0.

Сценарии применения

  • определение абляционных целей по методологии научной статьи
  • составление плана экспериментов для проверки компонентов метода
  • подготовка абляционного исследования для ML-, NLP- и CV-работ

Ограничения

Модель обучалась на английских научных статьях и оценивалась на 200 работах автоматическим оценщиком на основе LLM; результаты могут зависеть от соответствия шаблонам запросов и формату вывода из проекта. В README не приведены оценки человеческих экспертов.

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-RL

About

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

This model applies rubric-guided GRPO directly to Qwen3-8B for 200 updates with no SFT warm start, on a 1:1 mixture of the two tasks with each rollout routed to its task's reward by data_source. It is the RL only row of the paper's post-training ablation; the released model ABForge-Qwen3-8B runs the same RL stage from the SFT checkpoint instead.

Links

ResourceLink
CodeSlowGuess/Abforge_1
Training & evaluation dataSlowGuess/abforge-data
Released model (SFT → GRPO)SlowGuess/ABForge-Qwen3-8B
SFT checkpointSlowGuess/ABForge-Qwen3-8B-SFT
Per-paper outputs & judge rationalesoutputs/task{1,2}/*/abforge-rl.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. This model trains on the rows flagged in_rl_task1 and in_rl_task2 — 30,000 papers each, disjoint from the SFT pool — mixed 1:1. The benchmark papers carry no training flag, so they cannot leak in.

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 (this model, RL only)52.254.9
ABForge-Qwen3-8B (SFT → GRPO)55.962.4

GRPO alone already lifts both tasks over the base model, and unlike SFT it does not trade one for the other. Warm-starting the same RL stage from the SFT checkpoint is still worth +3.7 on Task 1 and +7.5 on Task 2 — SFT is an effective RL initialization even though it does not improve Task 1 on its own.

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-RL \
  --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
528f076

0 моделей