/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,7 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B
Опубликована
4 сен 2026

Qwen3-4B-openthoughts3-math-400k-sft

Генерация текстаТекст → текст3 профессии

Дообученная на математических примерах языковая модель Qwen3 с 3,7 млрд параметров, опубликованная для экспериментов и генерации решений задач.

26скачиваний за 30 дней0лайковвеса обновлены4 сен 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

Qwen3-4B-openthoughts3-math-400k-sft — плотная языковая модель на архитектуре Qwen3 с 3,7 млрд параметров, дообученная Xinnan Zhang на математическом наборе XinnanZhang/openthoughts3-math-50k8. Она принимает текстовые запросы и генерирует текст с рассуждениями и ответами на математические задачи; опубликована как начальная версия студенческой модели для экспериментов по дистилляции. Контекст — до 32 768 токенов. В README приведены результаты оценки на AIME 2024–2026 и AMC 2023.

Авторы предупреждают, что этот чекпойнт уступает базовой Qwen/Qwen3-4B и опубликован для воспроизводимости экспериментов, а не как улучшенная модель. По их анализу, большинство обучающих ответов обрывались до завершения рассуждения, что могло приучить модель завершать генерацию раньше времени. Для загрузки также важна совместимость конфигурации RoPE: README указывает, что в приложенном config.json значение rope_theta продублировано для совместимости версий Transformers.

Модель распространяется под лицензией Apache-2.0. Указанные в README результаты относятся к конкретным наборам данных и параметрам генерации и не гарантируют качество на других задачах.

Сценарии применения

  • генерация решений олимпиадных задач по математике
  • эксперименты с дистилляцией математических языковых моделей
  • оценка качества рассуждений на наборах AIME и AMC

Ограничения

По предупреждению авторов, чекпойнт показывает более низкое качество, чем базовая Qwen/Qwen3-4B; значительная часть обучающих ответов обрывалась до завершения рассуждения. Результаты зависят от корректной обработки конфигурации RoPE и не гарантируют качество за пределами приведённых оценок.

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-openthoughts3-math-400k-sft

Qwen/Qwen3-4B supervised-fine-tuned on XinnanZhang/openthoughts3-math-50k8 (50k prompts x 8 samples = 400k examples), used as the student initialization for on-policy distillation experiments.

Read this before using the model

This checkpoint scores below its own base model. It is published for reproducibility of the distillation experiments that start from it, not as an improved model.

The cause is in the training data, not the recipe: only 29.4% of the SFT targets actually close </think> and emit a \boxed{} answer. The remaining 70.6% hit a ~16k generation cap mid-reasoning, after which the chat template still appends <|im_end|> — so the model is trained to emit EOS in the middle of a thought. This is inherited from upstream (OpenThoughts3-1.2M math is ~30% complete under the same measurement). Prompt formatting and the boxed-answer suffix were verified byte-exact and are not the cause.

Training

Official openthinker3 hyperparameters, via LLaMA-Factory:

learning rate8e-5
global batch size512
epochs1
cutoff length20000
packingneat_packing (requires per-device batch size 1; scale with gradient accumulation)
otherliger kernel, FlashAttention-2, bf16

Evaluation

mean@8 / pass@8 in percent, n=8 samples per prompt, 16384 max response tokens, T=0.6 / top_p=0.95 / top_k=20, thinking mode. aime24/25/26 are 30 questions each, amc23 is 40. pass@8 is verl's val-core/<ds>/acc/best@8/mean estimator.

datasetmean@8pass@8
aime2442.0868.37
aime2534.1754.87
aime2637.0856.09
amc2374.6990.27
average47.0067.40

A packaging note that matters

This checkpoint was saved by transformers 5.2.0, which nests rope_theta under rope_parameters. Older versions (e.g. 4.55.2) do not know that field and silently fall back to rope_theta=10000 instead of 1000000; generations then start coherent and collapse into character garbage with no error raised. On this model that difference was aime24 mean@8 1.25 vs 42.08.

The config.json here carries rope_theta both flat and nested with the same value 1000000, so it loads correctly under either version. If you re-save it, verify the flat key survives.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
62430f4

0 моделей