/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-4B
Библиотека
transformers
Опубликована
6 авг 2026

Qwen3.5-4B-VerIH-step200

Генерация текстаТекст → текст4 профессии

Промежуточный чекпойнт Qwen3.5-4B, дообученный методом GRPO для генерации ответов с более точным следованием инструкциям.

25скачиваний за 30 дней0лайковвеса обновлены6 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

ZetaRRR/Qwen3.5-4B-VerIH-step200 — чекпойнт глобального шага 200 обучения GRPO на базе Qwen/Qwen3.5-4B. Модель дообучали на запросах в стиле instruction following с проверяемым вознаграждением: ответы в формате рассуждения оценивал проверяющий модуль, основанный на правилах. Веса сохранены в float32; при загрузке через Transformers конфигурация по умолчанию приводит их к bfloat16, если явно не задать float32.

Модель предназначена для генерации ответов и следования инструкциям в диалоге. Это мультимодальная гибридная архитектура с GatedDeltaNet и полным attention; башня зрения унаследована от базовой модели без изменений, а обучение с подкреплением затрагивало только текстовую часть. Лицензия — Apache-2.0. README описывает промежуточный чекпойнт на 200-м шаге обучения, поэтому его качество и стабильность могут отличаться от итоговой версии.

Сценарии применения

  • генерация ответов на инструкции в диалоге
  • сравнение качества следования инструкциям до и после GRPO
  • эксперименты с обучением LLM на проверяемом вознаграждении

Ограничения

Это чекпойнт раннего этапа обучения — сохранение после 200 шагов, поэтому его качество может быть нестабильным и уступать итоговой модели. RL-обучение затрагивало только текстовую часть; возможности зрения унаследованы от базовой модели.

Для каких профессий подходит4

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

Qwen3.5-4B-VerIH-step200

GRPO checkpoint of Qwen/Qwen3.5-4B, trained on instruction-following (IFEval-style) prompts with a verifiable reward. This repo is the export of global step 200 of the run Qwen3.5-4B-GRPO-01R-2048-ifeval-v0-think.

Training

Trained with verl (0.9.0.dev) on 4 GPUs, FSDP2 actor + vLLM rollout.

AlgorithmGRPO (adv_estimator=grpo), 4 rollouts per prompt
Steps200
Train batch size128 prompts
Mini / micro batch64 / 2 per GPU
Max prompt / response length1024 / 2048 tokens
Learning rate1e-6
KLuse_kl_loss=True, kl_loss_coef=0.001, low_var_kl; no KL in reward
Entropy coefficient0
RolloutvLLM, TP=1, temperature per verl defaults

Prompts are in reasoning ("think") format; responses are scored by a rule-based instruction-following checker.

Precision

The weights are stored as float32 — this is verl's raw training export, not a post-training cast. config.json declares dtype: bfloat16, so transformers casts to bf16 on load by default. Pass dtype="float32" if you want the stored precision.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "ZetaRRR/Qwen3.5-4B-VerIH-step200"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, dtype="auto", device_map="auto")

messages = [{"role": "user", "content": "Write a haiku about gradients. Use no commas."}]
inputs = tok.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to(model.device)
out = model.generate(inputs, max_new_tokens=2048)
print(tok.decode(out[0][inputs.shape[-1]:], skip_special_tokens=True))

Qwen3.5-4B is a hybrid-attention (GatedDeltaNet + full attention) multimodal architecture; the vision tower is carried over from the base model unchanged, as RL touched text only.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
2291719

0 моделей