/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,7 млрд
Размер весов
8,8 ГБ
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B-Instruct-2507
Библиотека
transformers
Опубликована
22 сен 2026

qwen3-4b-questa-nonmcq-estep-pos20-neg20-truncneg20-step50

Генерация текстаТекст → текст3 профессии

Экспериментальная дообученная модель Qwen3 для генерации решений математических задач без вариантов ответа.

172скачиваний за 30 дней0лайковвеса обновлены22 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

Экспериментальный чекпойнт Qwen3-4B QuestA Non-MCQ E-step, созданный автором YYYYYYibo на основе Qwen/Qwen3-4B-Instruct-2507. Это плотная причинная языковая модель семейства Qwen3 с 3,7 млрд параметров в формате Transformers safetensors; метаданные указывают контекст до 262 144 токенов. Модель дообучали 50 шагов на 5 897 дедуплицированных задачах по математике без вариантов ответа из набора QuestA-OpenR1-Math-220k-Joined, используя сигнал PPO, штраф учителя и награду за правильность решения.

Модель предназначена для генерации ответов и решений математических задач в диалоговом формате. В диагностике на 256 примерах из обучающего набора чекпойнт с доступом к решениям показал точность 78,91% (77,34%, если усечённые ответы считать ошибочными); это внутривыборочные результаты, не оценка обобщения. В README рекомендуется проверять модель на отложенном наборе. Модель принимает и выдаёт текст. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация решения открытой математической задачи
  • ответы на математические вопросы в диалоговом формате
  • экспериментальная оценка методов обучения математическим рассуждениям

Ограничения

Приведённые метрики получены на примерах из обучающего набора и не показывают обобщение на новые задачи; перед выводами нужна проверка на отложенных данных. Эксперимент длился 50 шагов обучения.

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 QuestA Non-MCQ E-step (Step 50)

This is the Hugging Face-format checkpoint at step 50 of a research E-step experiment initialized from Qwen/Qwen3-4B-Instruct-2507.

Training setup

  • Source dataset: YYYYYYibo/QuestA-OpenR1-Math-220k-Joined
  • Training subset: 5,897 deduplicated non-multiple-choice problems
  • Teacher context: original problem plus the dataset solution
  • Frozen student context: original problem without the solution
  • Objective: sampled teacher-penalty PPO signal corresponding to KL(teacher || frozen student), plus sequence-level correctness rewards
  • Correct reward: +20
  • Incorrect penalty: -20
  • Length-truncation penalty: -20
  • Training steps: 50
  • Global batch size: 256
  • PPO micro-batch size per GPU: 2
  • Learning rate: 1e-6
  • Maximum prompt length: 4,096 tokens
  • Maximum training response length: 8,192 tokens
  • Hardware: 2x NVIDIA H200 NVL

The saved FSDP actor checkpoint was merged into standard Transformers safetensors before upload.

In-sample diagnostic evaluation

The following diagnostic used 256 randomly selected problems from the training dataset, one rollout per problem, and a 16,384-token response limit. These numbers are in-sample diagnostics and are not held-out generalization results.

ConditionMath-Verify accuracyAccuracy with truncation counted wrongTruncation rate
Base, no solution56.25%55.08%5.47%
Base + solution92.19%91.41%1.17%
This checkpoint + solution78.91%77.34%2.73%

This checkpoint is an experimental research artifact and should be evaluated on a genuinely held-out dataset before drawing conclusions about generalization.

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
09c13d2

0 моделей