/ Модель

Характеристики

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

cobalt-seeded-rl-base-ramp25-stoppen-gen4k-ep2-ncp10-vs16

Генерация текстаТекст → текст4 профессии

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

26скачиваний за 30 дней0лайковвеса обновлены1 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

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный командой agurung с помощью GRPO в OpenRLHF. Обучение проводилось непосредственно от базовой модели, без промежуточного SFT, на задачах программирования с проверкой сгенерированного кода тестами. В метаданных указаны 3,7 млрд параметров, архитектура Qwen3 с плотной моделью причинного декодирования, формат Safetensors и контекст до 262 144 токенов.

Чекпойнт получен на четвёртом шаге обучения и показал лучший pass@8 среди вариантов в этом запуске. Он предназначен для генерации программ и решения задач, отобранных как трудные для исходной модели. Обучение использовало бинарную награду за прохождение тестов, а также штрафы за усечение длинных ответов; метрики оценки для этого чекпойнта в журнале обучения отсутствуют.

Модель принимает текст и генерирует текст, включая код. README не сообщает отдельные языки программирования или естественные языки, поэтому языковая поддержка не уточняется. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация программ для задач с автоматическими тестами
  • решение сложных задач программирования
  • эксперименты с RL-дообучением языковых моделей для кода

Ограничения

Чекпойнт сохранён на раннем шаге обучения; метрики его оценки в журнале отсутствуют, а преимущество pass@8 заявлено только относительно других чекпойнтов этого запуска. Предоставленные данные не содержат сведений о лицензии.

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_vs16 — RL checkpoint (global step 4)

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 4 of RL run seeded_rl_base_ramp25_stoppen_gen4k_ep2_ncp10_vs16.

What it's best at

  • This is the best checkpoint by pass@8 so far in this run.

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: not available in the train log.

Where the logs are

  • Weights & Biases: project eaiexp-paper-final, run name seeded_rl_base_ramp25_stoppen_gen4k_ep2_ncp10_vs16.
  • Local train log: experiments/cobalt_qwen3_4b_ft/rl_runs/qwen3_4b_instruct_2507_cobalt_v1/seeded_rl_base_ramp25_stoppen_gen4k_ep2_ncp10_vs16/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-vs16", revision="main")
tokenizer = AutoTokenizer.from_pretrained("agurung/cobalt-seeded-rl-base-ramp25-stoppen-gen4k-ep2-ncp10-vs16", revision="main")

Or serve with vLLM: vllm serve agurung/cobalt-seeded-rl-base-ramp25-stoppen-gen4k-ep2-ncp10-vs16 --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
95c1bc3

0 моделей