/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,7 млрд
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B-Instruct-2507
Библиотека
transformers
Опубликована
29 авг 2026

cobalt-seeded-rl-base-ramp25-stoppen-gen4k-ep2-ncp10-base

Генерация текстаТекст → текст5 профессий

Чекпойнт Qwen3-4B, дообученный с подкреплением для генерации программ, проходящих автоматические тесты.

385скачиваний за 30 дней0лайковвеса обновлены1 окт 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

Это исследовательский чекпойнт языковой модели Qwen3-4B, созданный командой agurung с помощью обучения с подкреплением OpenRLHF по алгоритму GRPO. Он основан на Qwen/Qwen3-4B-Instruct-2507 и предназначен для генерации кода, в частности программ для задач, проверяемых автоматическими тестами. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст до 262 144 токенов.

Чекпойнт сохранён на шаге 80 обучения и показал лучший в данном запуске результат pass@8: 21,3434 на отложенном наборе сложных задач по программированию; pass@1 составил 16,7068. Обучение оптимизировало бинарную корректность кода, а при оценке генерировалось до восьми вариантов решения на задачу. Это промежуточный результат конкретного эксперимента, а метрики не гарантируют качество на других задачах и условиях. Использовать веса можно через Transformers; файлы представлены в формате safetensors. Лицензия в доступных данных не указана.

Сценарии применения

  • генерация кода для задач с проверкой тестами
  • поиск решения задачи программирования по условию
  • создание нескольких вариантов программы для одной задачи

Ограничения

Оценка приведена только для конкретного набора сложных задач и режима генерации; она не гарантирует результаты на других задачах. Лицензия модели в доступных данных не указана.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

seeded_rl_base_ramp25_stoppen_gen4k_ep2_ncp10_base — RL checkpoint (global step 80)

Role in this run: best by pass@8

What it is

An OpenRLHF GRPO reinforcement-learning checkpoint for Qwen3-4B.

  • Base model: Qwen/Qwen3-4B-Instruct-2507
  • Seeded from: base Qwen3-4B (no SFT seed — RL applied directly to the base model)
  • Saved at global step 80 of RL run seeded_rl_base_ramp25_stoppen_gen4k_ep2_ncp10_base.

What it's best at

  • This is the best checkpoint by pass@8 so far in this run (eval_default_pass8 = 21.3434).

Trained and validated on the cobalt-train ≤2/64 frontier (canonical clean_eval prompts): 1833 train / 112 held-out val problems the base model solved on at most 2 of 64 samples under the iid_canonical@64 hardness scan. Val evals sample at temperature 1.0 (matching the clean_eval frontier eval).

Reward signal: binary code-correctness (1.0 if the generated program passes the problem's tests, otherwise 0.0).

Eval metrics at this checkpoint (held-out val, 8 samples/problem):

  • pass@1 (unbiased; mean per-problem fraction correct): 16.7068
  • pass@8 (problem counted solved if any sample is correct): 21.3434

Where the logs are

  • Weights & Biases: project eaiexp-paper-final, run name seeded_rl_base_ramp25_stoppen_gen4k_ep2_ncp10_base.
  • Local train log: experiments/cobalt_qwen3_4b_ft/rl_runs/qwen3_4b_instruct_2507_cobalt_v1/seeded_rl_base_ramp25_stoppen_gen4k_ep2_ncp10_base/openrlhf_train.log

Recipe

  • Algorithm: GRPO (group-normalized advantages, no KL penalty).
  • Stop-properly penalty: truncated samples' reward set to -1.0 (ProRL-style anti-truncation shaping).
  • DAPO overlong penalty: responses in the last 1024 tokens before the cap get an additive penalty ramping to -0.25.
  • Samples per prompt: 8
  • Rollout batch size: 128, train batch size: 128
  • Max new tokens per rollout: 4096
  • Episodes: 2
  • Actor learning rate: 1e-06 (constant schedule)

How to load

This checkpoint is the main revision (git branch) of the repo, with the model at the repo root — load it directly, no subfolder:

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("agurung/cobalt-seeded-rl-base-ramp25-stoppen-gen4k-ep2-ncp10-base", revision="main")
tokenizer = AutoTokenizer.from_pretrained("agurung/cobalt-seeded-rl-base-ramp25-stoppen-gen4k-ep2-ncp10-base", revision="main")

Or serve with vLLM: vllm serve agurung/cobalt-seeded-rl-base-ramp25-stoppen-gen4k-ep2-ncp10-base --revision main

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
b1ed0bc

0 моделей