/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
3,7 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B
Библиотека
transformers
Опубликована
25 сен 2026

certo-r1-qwen3-4b

Генерация текстаТекст → текст3 профессии

Certo-R1 — дообученная на Qwen3-4B модель, которая кратко рассуждает над вычислительными и композиционными задачами выбора.

638скачиваний за 30 дней0лайковвеса обновлены25 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

Certo-R1 — языковая модель для кратких рассуждений при выборе между вариантами ответа, разработанная на базе Qwen/Qwen3-4B команды Alibaba Qwen. Модель получена дообучением LoRA ранга 16, объединённой с базовыми весами; использует архитектуру Qwen3 с 3,7 млрд параметров и контекстом до 40 960 токенов. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0.

Модель предназначена для коротких вычислительных и композиционных задач, в том числе как этап эскалации в каскаде принятия решений: простая модель обрабатывает уверенные случаи, а Certo-R1 формирует краткое обоснование для более сложных. Она выдаёт ответ с рассуждением в одном-двух предложениях и завершает его маркером FINAL ANSWER:. В заявленной оценке на десяти семействах задач краткое рассуждение было не хуже полного в пределах заранее заданного допуска и требовало примерно в 15 раз меньше токенов.

Certo-R1 выдаёт наиболее вероятный вариант, а не калиброванную вероятность. Проверка ограничена десятью семействами коротких вычислительных и композиционных задач; модель не валидирована для длинных документов и других типов задач и не позиционируется как универсальный чат-бот.

Сценарии применения

  • выбор правильного варианта в короткой вычислительной задаче
  • решение задач на сопоставление нескольких условий
  • краткое обоснование ответа среди вариантов A/B/C
  • эскалация сложных случаев в каскаде принятия решений

Ограничения

Проверена только на десяти семействах коротких вычислительных и композиционных задач; для длинных документов и других типов задач не валидирована. Выдаёт ответ по argmax без калиброванной вероятности.

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

Certo-R1 (Qwen3-4B)

Concise, verified reasoning for short calculation/compositional decisions. The escalation model of the Certo decision cascade: a lightweight decider handles the confident majority; low-confidence cases escalate here for a brief reasoned answer.

Credit / base model

Built on Qwen/Qwen3-4B (Alibaba Qwen team), used under Apache-2.0. Certo-R1 is a LoRA fine-tune (rank 16) merged into the base weights. All credit for the base model goes to the Qwen team; this repo adds only the concise-reasoning adaptation. Base revision 1cfa9a72.

What it does

Given a decision (context + options A/B/C…), it reasons in one or two short sentences and ends with FINAL ANSWER: <letter>. On a held-out set of ten short calculation/compositional families it is non-inferior to full verbose reasoning within a pre-registered −0.03 margin (cascade Δ +0.004, 95% CI [−0.004, +0.012]) while generating ~15× fewer tokens (≈32 vs ≈489, p50) and cutting routed latency ~8× (mean) / ~11× (p95).

JevBench 1.4.2 (public suite, 231 tasks)

Measured locally on the public tiers (the official score additionally blends 308 sealed decisions held by Benchmark Heaven — not included here). Certo-R1 is a reasoner, not a calibrated decider: it emits an argmax answer, so its Calibration axis is ~0 and the geometric-mean composite is gated — read the per-tier Intelligence instead.

tieraccuracyIntelligence (chance-corrected)
easy0.97997.1
standard0.90385.9
hard0.59538.9
overall0.771—

Speed axis 79.5 (p50 0.50 s), Cost axis 58.1 ($0.025 / 1000 decisions at a $0.04/M input tariff). The generative Certo-R1 reasons far above the shipped encoder Certo (JevBench Intelligence ~28), trading calibration for reasoning.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer
tok = AutoTokenizer.from_pretrained("altslate/certo-r1-qwen3-4b")
m = AutoModelForCausalLM.from_pretrained("altslate/certo-r1-qwen3-4b", torch_dtype="bfloat16", device_map="auto")
body = ("Is the minimum rest period satisfied?\n\nContext: A shift ends at 20:00 UTC. The next shift begins "
        "at 06:00 CET (UTC+1) the following day. At least 11 hours of real rest are required.\n\nOptions:\n"
        "A) at least 11 hours of real rest\nB) less than 11 hours of real rest\n\n"
        "Reason in at most two short sentences, then end with a line 'FINAL ANSWER: <letter>'.")
ids = tok.apply_chat_template([{"role":"user","content":body}], return_tensors="pt",
                              add_generation_prompt=True, enable_thinking=False).to(m.device)
print(tok.decode(m.generate(ids, max_new_tokens=96, do_sample=False)[0][ids.shape[1]:], skip_special_tokens=True))

Decoding: greedy (temperature 0); the answer is the letter after FINAL ANSWER:.

Related: Certo-SR (experimental self-router)

A follow-up merges the decider into this backbone — one model with a fast option-scoring head plus this LM reasoning head, generating only when the head is unsure (~⅓ the serving memory). On a pre-registered fresh confirmation the self-route was not accuracy-non-inferior to always-reasoning (routing trades ~2.5 pp for speed/memory), so it is kept experimental. Certo-R1 remains the released reference.

Scope & caveats

  • Validated on ten short calculation/compositional families; not a general chat model, not validated on long documents or other task types.
  • Trained on deterministic oracle-verified rationales; the evidence is held-out generalization, not train loss.
  • Emits an argmax answer + rationale, not a calibrated probability.

See certo_manifest.json for full training/eval provenance and hashes.

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
b3728a9

0 моделей