/ 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
30 июл 2026

ABForge-Qwen3-8B-SFT

Генерация текстаТекст → текст3 профессии

Дообученная на научных статьях Qwen3-8B предлагает цели абляций и планы экспериментов по методологии исследовательской работы.

32скачиваний 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-SFT — диалоговая языковая модель, разработанная SlowGuess для проектирования абляционных исследований по научным статьям. Она принимает описание методологии статьи без раздела об абляциях, предлагает цели абляций и составляет план экспериментов для каждой цели.

Модель основана на Qwen/Qwen3-8B: плотная авторегрессионная архитектура Qwen3 с 7,6 млрд параметров, дообученная методом supervised fine-tuning на смеси двух задач за одну эпоху без RL. Поддерживает генерацию текста и чат, обучалась на статьях из областей машинного обучения, обработки естественного языка и компьютерного зрения. Контекст — до 40 960 токенов. Доступна под лицензией Apache-2.0.

В оценке AblationBench SFT улучшил синтез планов экспериментов относительно базовой модели, но снизил качество выявления целей абляций. Авторы позиционируют эту версию прежде всего как начальную точку для последующего этапа GRPO; для воспроизведения оценки рекомендуются шаблоны запросов из кода проекта и жадное декодирование.

Сценарии применения

  • выявление целей абляций по методологии научной статьи
  • составление плана экспериментов для проверки абляций
  • подготовка абляционного исследования по статье в машинном обучении
  • генерация структурированных предложений по экспериментальному дизайну

Ограничения

В оценке автора SFT улучшил синтез планов, но заметно снизил выявление целей абляций относительно базовой Qwen3-8B. Для ожидаемого формата ответов рекомендованы 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-SFT

About

This repository contains the SFT stage 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 is Qwen3-8B supervised fine-tuned for one full epoch on a 1:1 mixture of the two tasks, with no RL. It initializes the GRPO stage of ABForge-Qwen3-8B and is the SFT only row of the paper's post-training ablation.

Links

ResourceLink
CodeSlowGuess/Abforge_1
Training & evaluation dataSlowGuess/abforge-data
Released model (SFT → GRPO)SlowGuess/ABForge-Qwen3-8B
RL-only checkpointSlowGuess/ABForge-Qwen3-8B-RL
Per-paper outputs & judge rationalesoutputs/task{1,2}/*/abforge-sft.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_sft_task1 (45,961 papers) and in_sft_task2 (36,955), shuffled into a 1:1 task mixture for one full epoch. 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 (this model, SFT only)30.752.2
ABForge-Qwen3-8B-RL (RL only)52.254.9
ABForge-Qwen3-8B (SFT → GRPO)55.962.4

SFT alone lifts Task 2 but costs Task 1 relative to the base model. Its value is as an RL initialization: GRPO started from here beats GRPO started from the base model by +3.7 on Task 1 and +7.5 on Task 2.

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-SFT \
  --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
cd49e7b

0 моделей