/ Модель

Характеристики

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

cobalt-seeded-rl-base-ramp25-stoppen-gen4k-ep2-ncp10-groot30v11v

Генерация текстаТекст → текст4 профессии

Чекпойнт Qwen3-4B, дообученный GRPO для генерации кода и решения сложных задач программирования.

303скачиваний 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 Qwen3-4B, дообученный методом обучения с подкреплением GRPO с помощью OpenRLHF. По README, обучение применяло сигнал бинарной корректности кода и проводилось на задачах программирования, которые исходная модель решала редко; указано, что чекпойнт показал лучший в данном запуске pass@8. Модель предназначена для генерации программ и попыток решения задач по тестам. Она основана на Qwen/Qwen3-4B-Instruct-2507, имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 262 144 токенов. Репозиторий содержит веса safetensors и рассчитан на загрузку через Transformers.

Результаты README относятся к конкретному набору задач и оцениванию с восемью генерациями на проблему; они не гарантируют сопоставимого качества на других задачах. В обучении использовались штрафы за усечение и за ответы вблизи лимита, а генерация ограничивалась 4096 новыми токенами. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация программ для задач с автоматическими тестами
  • поиск решений алгоритмических задач программирования
  • создание нескольких вариантов кода для повышения шанса пройти тесты

Ограничения

Показатели приведены только для конкретного набора задач и режима оценки с восемью генерациями, поэтому не гарантируют качество на других задачах. Генерация при обучении ограничивалась 4096 новыми токенами; язык задач явно не описан.

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

seeded_rl_base_ramp25_stoppen_gen4k_ep2_ncp10_groot30v11v — RL checkpoint (global step 48)

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 48 of RL run seeded_rl_base_ramp25_stoppen_gen4k_ep2_ncp10_groot30v11v.

What it's best at

  • This is the best checkpoint by pass@8 so far in this run (eval_default_pass8 = 5.5100).

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): 2.5380
  • pass@8 (problem counted solved if any sample is correct): 5.5100

Where the logs are

  • Weights & Biases: project eaiexp-paper-final, run name seeded_rl_base_ramp25_stoppen_gen4k_ep2_ncp10_groot30v11v.
  • Local train log: experiments/cobalt_qwen3_4b_ft/rl_runs/qwen3_4b_instruct_2507_cobalt_v1/seeded_rl_base_ramp25_stoppen_gen4k_ep2_ncp10_groot30v11v/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-groot30v11v", revision="main")
tokenizer = AutoTokenizer.from_pretrained("agurung/cobalt-seeded-rl-base-ramp25-stoppen-gen4k-ep2-ncp10-groot30v11v", revision="main")

Or serve with vLLM: vllm serve agurung/cobalt-seeded-rl-base-ramp25-stoppen-gen4k-ep2-ncp10-groot30v11v --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
2f972e9

0 моделей