/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,7 млрд
Размер весов
8,8 ГБ
Лицензия
Своя лицензия
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B-Base
Библиотека
transformers
Опубликована
3 мая 2026

Qwen3-4B-Base-GRPO

Генерация текстаТекст → текст3 профессии

Дообученная GRPO модель Qwen3 с 3,7 млрд параметров для математических рассуждений и решения задач.

1 025скачиваний за 30 дней3лайкавеса обновлены3 мая 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

Thinking-Space/Qwen3-4B-Base-GRPO — языковая модель семейства Qwen3, разработанная на основе Qwen3-4B-Base и дообученная методом группового относительного policy optimization (GRPO) с использованием фреймворка verl. Это плотная авторегрессионная модель с 3,7 млрд параметров и контекстом 32 768 токенов.

Модель предназначена прежде всего для математических рассуждений и решения задач. При обучении использовался набор DAPO-Math-17k-Processed; для проверки упомянуты AIME25, AMC23 и AIME24. Обновлялись все параметры модели, отдельная reward-модель не применялась. Модель принимает текстовые запросы и генерирует текстовые ответы; в метаданных указана поддержка английского и китайского языков.

Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке репозитория. Хотя модель рассчитана на математические задачи, карточка не приводит численных оценок качества; результаты могут зависеть от формулировки задачи и не гарантируют правильность решения.

Сценарии применения

  • решение математических задач по текстовому условию
  • генерация пошаговых рассуждений для математических примеров
  • проверка способности языковой модели решать задачи уровня AIME и AMC

Ограничения

Карточка не приводит численных оценок качества, а правильность ответов на математические задачи не гарантируется. Для лицензии other необходимо свериться с условиями репозитория перед использованием.

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

Qwen3-4B-Base-GRPO is a post-RL checkpoint trained with the verl framework. It starts from Qwen3-4B-Base and applies GRPO on the DAPO-Math-17k-Processed dataset for mathematical reasoning and problem-solving.

This model is associated with the paper:
Rethinking On-Policy Distillation of Large Language Models: Phenomenology, Mechanism, and Recipe
Paper link: https://arxiv.org/abs/2604.13016

Model Description

This model is obtained by applying GRPO reinforcement learning to Qwen3-4B-Base with verl. The training is intended to improve math-focused reasoning performance under the on-policy distillation setting.

Key characteristics

  • Base model: Qwen3-4B-Base
  • Training framework: verl
  • Training stage: Reinforcement Learning (GRPO)
  • Parameter update: Full-parameter actor update
  • Primary domain: Mathematical reasoning
  • Reward model: Not used (reward_model.enable: false)
  • Rollout engine: vLLM
  • Context length: 32768 tokens
  • Responses per prompt: 8

Training Details

Training configuration

  • Framework: verl
  • Algorithm: grpo
  • GRPO outcome weight: 1.0
  • Learned reward model: disabled (reward_model.enable: false)
  • Reward source: custom rule-based math reward function
  • Training dataset: DAPO-Math-17k-Processed
  • Training file: datasets/DAPO-Math-17k-Processed/DAPO-Math.parquet
  • Validation datasets: AIME25, AMC23, AIME24
  • Prompt length: 1024
  • Response length: 7168
  • Validation response length: 31744
  • Max model length: 32768
  • Rollout temperature: 1.0
  • Repetition penalty: 1.0
  • KL loss: disabled
  • Format reward: disabled
  • Loss aggregation: token-mean
  • Learning rate: 1e-6
  • PPO mini-batch size: 64
  • PPO micro-batch size per GPU: 1
  • Tensor parallel size: 1
  • Number of GPUs: 8
  • Number of epochs: 1
  • Save frequency: every 20 steps
  • Test frequency: every 20 steps

Dataset

  • Training dataset: DAPO-Math-17k-Processed
  • Validation datasets: AIME25, AMC23, AIME24

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "lllyx/Qwen3-4B-Base-GRPO"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype="auto",
    device_map="auto",
)

Citation

If you use this model, please consider citing the related paper:

@article{li2026rethinking,
  title={Rethinking On-Policy Distillation of Large Language Models: Phenomenology, Mechanism, and Recipe},
  author={Li, Yaxuan and Zuo, Yuxin and He, Bingxiang and Zhang, Jinqian and Xiao, Chaojun and Qian, Cheng and Yu, Tianyu and Gao, Huan-ang and Yang, Wenkai and Liu, Zhiyuan and Ding, Ning},
  journal={arXiv preprint arXiv:2604.13016},
  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
1f3b296

0 моделей