/ 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-iid30

Генерация текстаТекст → текст5 профессий

Экспериментальный чекпойнт Qwen3-4B, дообученный методом GRPO для генерации кода и решения задач программирования.

228скачиваний 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 экспериментальный чекпойнт языковой модели Qwen3-4B от автора репозитория, полученный дообучением Qwen/Qwen3-4B-Instruct-2507 методом GRPO с помощью OpenRLHF. Модель предназначена для генерации кода и решения задач программирования, где корректность программы проверяется тестами. Обучение нацелено на сложные задачи, которые базовая модель решала редко; контрольная оценка использовала восемь генераций на задачу.

Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 262 144 токенов. В README указаны оценка pass@1 0,4102 и pass@8 1,0587 на отложенной выборке из 112 задач; значение pass@8 приведено как в карточке. Веса доступны в формате safetensors и загружаются через Transformers. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация программ для задач с проверкой тестами
  • поиск решений для сложных задач программирования
  • сравнение нескольких вариантов сэмплирования кода
  • эксперименты с обучением языковых моделей методом GRPO

Ограничения

Оценка выполнена на ограниченной выборке из 112 отложенных задач, поэтому она не гарантирует качество на других типах программирования. Модель обучалась на генерации до 4096 новых токенов за проход.

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_iid30 — RL checkpoint (global step 16)

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 16 of RL run seeded_rl_base_ramp25_stoppen_gen4k_ep2_ncp10_iid30.

What it's best at

  • This is the best checkpoint by pass@8 so far in this run (eval_default_pass8 = 1.0587).

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): 0.4102
  • pass@8 (problem counted solved if any sample is correct): 1.0587

Where the logs are

  • Weights & Biases: project eaiexp-paper-final, run name seeded_rl_base_ramp25_stoppen_gen4k_ep2_ncp10_iid30.
  • Local train log: experiments/cobalt_qwen3_4b_ft/rl_runs/qwen3_4b_instruct_2507_cobalt_v1/seeded_rl_base_ramp25_stoppen_gen4k_ep2_ncp10_iid30/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-iid30", revision="main")
tokenizer = AutoTokenizer.from_pretrained("agurung/cobalt-seeded-rl-base-ramp25-stoppen-gen4k-ep2-ncp10-iid30", revision="main")

Or serve with vLLM: vllm serve agurung/cobalt-seeded-rl-base-ramp25-stoppen-gen4k-ep2-ncp10-iid30 --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
432697f

0 моделей