/ Модель

Характеристики

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

cobalt-seeded-rl-base-ramp25-stoppen-gen4k-ep2-ncp5-q4v3-vs16

Генерация текстаТекст → текст3 профессии

Экспериментальный чекпойнт Qwen3-4B, дообученный методом GRPO для генерации кода и решения задач с проверкой программ тестами.

2 193скачиваний за 30 дней0лайковвеса обновлены21 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 исследовательский чекпойнт языковой модели Qwen3-4B, дообученный командой автора с помощью обучения с подкреплением OpenRLHF и алгоритма GRPO. Обучение проводилось непосредственно от Qwen/Qwen3-4B-Instruct-2507 без отдельного SFT-этапа; в метаданных указано 3,7 млрд параметров и контекст до 262 144 токенов. Модель предназначена для генерации программ, в частности для решения задач из набора cobalt-train, где награда зависела от прохождения тестов сгенерированным кодом.

Этот чекпойнт выбран как лучший по метрике pass@8 в рамках конкретного эксперимента. Он сохранён на шаге 26; для обучения использовались восемь вариантов ответа на задачу, максимум 4096 новых токенов и два эпизода. Оценочные метрики чекпойнта в журнале обучения отсутствуют, поэтому результат нельзя считать подтверждением качества на произвольных задачах программирования. Репозиторий содержит веса Safetensors; для загрузки предлагается Transformers. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация кода для задач с автоматическими тестами
  • поиск решений для сложных задач программирования
  • получение нескольких вариантов программы для одной задачи
  • эксперименты с обучением языковых моделей для написания кода

Ограничения

Чекпойнт оценён в рамках конкретного эксперимента, а метрики на этом шаге отсутствуют; его качество на других задачах не установлено. Лицензия не указана в предоставленных данных.

Для каких профессий подходит3

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_ncp5_q4v3_vs16 — RL checkpoint (global step 26)

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 26 of RL run seeded_rl_base_ramp25_stoppen_gen4k_ep2_ncp5_q4v3_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_ncp5_q4v3_vs16.
  • Local train log: experiments/cobalt_qwen3_4b_ft/rl_runs/qwen3_4b_instruct_2507_cobalt_v1/seeded_rl_base_ramp25_stoppen_gen4k_ep2_ncp5_q4v3_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-ncp5-q4v3-vs16", revision="main")
tokenizer = AutoTokenizer.from_pretrained("agurung/cobalt-seeded-rl-base-ramp25-stoppen-gen4k-ep2-ncp5-q4v3-vs16", revision="main")

Or serve with vLLM: vllm serve agurung/cobalt-seeded-rl-base-ramp25-stoppen-gen4k-ep2-ncp5-q4v3-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
0bcbc28

0 моделей