/ Модель

Характеристики

Контекст
262 144 токена
Архитектура
nemotron_h · dense
Базовая модель
Qwen3-4B-Instruct-2507
Библиотека
transformers
Опубликована
6 окт 2026

cobalt-seeded-rl-base-ramp25-stoppen-gen4k-ep2-ncp5-n3nb-groot16

Генерация текстаТекст → текст

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

714скачиваний за 30 дней0лайковвеса обновлены7 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

Экспериментальный чекпойнт языковой модели для генерации кода, созданный исследователями с помощью обучения с подкреплением OpenRLHF по алгоритму GRPO на базе Qwen/Qwen3-4B-Instruct-2507. Модель обучалась на задачах программирования с бинарной наградой за прохождение тестов; в карточке этот чекпойнт отмечен как лучший в запуске по pass@8. Обучение выполнено непосредственно на базовой модели без SFT-затравки.

Модель предназначена для генерации программ в ответ на задачи, особенно для решения задач, на которых исходная модель показывала низкую точность. Использует архитектуру NemotronHForCausalLM, сохраняется в формате safetensors и поддерживает контекст до 262 144 токенов. Ограничение генерации в обучении составляло 4096 новых токенов; метрики оценки в журнале обучения отсутствуют. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация кода по условию задачи
  • решение задач программирования с проверкой тестами
  • создание вариантов программ для повышения pass@8

Ограничения

В карточке отсутствуют итоговые метрики оценки; лучший результат по pass@8 указан только относительно этого запуска. Обучающая генерация ограничивалась 4096 новыми токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

seeded_rl_base_ramp25_stoppen_gen4k_ep2_ncp5_n3nb_groot16 — 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_ncp5_n3nb_groot16.

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_ncp5_n3nb_groot16.
  • Local train log: experiments/cobalt_qwen3_4b_ft/rl_runs/qwen3_4b_instruct_2507_cobalt_v1/seeded_rl_base_ramp25_stoppen_gen4k_ep2_ncp5_n3nb_groot16/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-ncp5-n3nb-groot16", revision="main")
tokenizer = AutoTokenizer.from_pretrained("agurung/cobalt-seeded-rl-base-ramp25-stoppen-gen4k-ep2-ncp5-n3nb-groot16", revision="main")

Or serve with vLLM: vllm serve agurung/cobalt-seeded-rl-base-ramp25-stoppen-gen4k-ep2-ncp5-n3nb-groot16 --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
NemotronHForCausalLM
Ревизия весов
12bc950

0 моделей