/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
9,1 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-4B-MatRL-MT-SFT
Библиотека
transformers
Опубликована
3 сен 2026

Qwen3.5-4B-MatRL-MT-RL

Генерация текстаТекст → текст3 профессии

Многошаговая RL-модель Qwen3.5-4B для генерации и итеративного уточнения кристаллических структур с целью обратного проектирования материалов.

29скачиваний за 30 дней0лайковвеса обновлены3 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

Qwen3.5-4B-MatRL-MT-RL — плотная мультимодальная модель семейства Qwen3.5 от автора репозитория amayuelas, дообученная методом GRPO-style многошагового обучения с подкреплением на базе amayuelas/Qwen3.5-4B-MatRL-MT-SFT. Она предназначена для обратного проектирования кристаллических структур: агент предлагает кандидатные структуры, оценивает их с помощью межатомного потенциала машинного обучения, уточняет и отправляет итоговый вариант. Обучение поощряло валидность, новизну и термодинамическую стабильность.

Модель работает в диалоговом режиме и обучена выполнять последовательность действий в рамках нескольких ходов, сохраняя рассуждения в нативном канале thinking. В README приведены результаты оценки на распределениях in-distribution, out-of-distribution и безусловной генерации; независимые проверяющие модели показали близкие или более высокие показатели SUN (stable, unique, novel), чем модель, использованная для награды. В README также отмечено, что часть обучающих эпизодов была усечена окном в 16 384 токена, а отключение thinking не рекомендуется. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0.

Сценарии применения

  • генерация кандидатных кристаллических структур по заданию
  • итеративное уточнение структур с оценкой межатомным ML-потенциалом
  • поиск стабильных и новых кристаллических материалов
  • агентное выполнение цикла оценки и отправки структуры
  • безусловная генерация кристаллических структур

Ограничения

Модель оптимизирована для заданного цикла обратного проектирования и оценки кристаллических структур; результаты зависят от используемого межатомного потенциала и протокола проверки. README сообщает об усечении части обучающих эпизодов на окне 16 384 токена и рекомендует не отключать thinking.

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

Qwen3.5-4B — MatRL multi-turn RL

Multi-turn RL on top of amayuelas/Qwen3.5-4B-MatRL-MT-SFT, for crystal-structure inverse design. The agent proposes candidate structures, evaluates them against a machine-learning interatomic potential, refines, and submits — rewarded on validity, novelty, and thermodynamic stability.

Results

SUN rate (Stable, Unique, Novel) — n=100 prompts × r=8 = 800 rollouts/track. equflashv2 is the reward-path judge and therefore the reference; orb-mpa and eqv3 are held-out judges that never touched training. Judging protocol is independent of the reward path (200 relaxation steps, fmax 0.02).

trackequflashv2 (reference)orb-mpaeqv3held-out consensus
mt_id (in-distribution)15.5%16.8%17.8%14.4%
mt_ood (out-of-distribution)15.1%17.4%17.9%15.2%
mt_uncond (unconditional)17.0%20.1%24.6%19.8%

The base model scores 0% on these tracks under strict scoring — it almost never calls submit (3 times in 2,880 rollouts), so nothing is reconstructed to score. Learning to commit within the turn budget is most of the gap.

On reward hacking

The policy is optimized against equflashv2, so the number that matters is whether judges it never saw agree:

trackreward judgeheld-out consensusgap
mt_id15.5%14.4%+1.1 pp
mt_ood15.1%15.2%−0.1 pp
mt_uncond17.0%19.8%−2.8 pp

Held-out judges track the reward judge closely and exceed it on the unconditional track. The gains are not artifacts of the training judge.

Training

initamayuelas/Qwen3.5-4B-MatRL-MT-SFT
algorithmGRPO-style multi-turn RL, 10 turns / 8 evaluations per episode
rewardvalidity + novelty + relaxed stability (equflashv2 MLIP, 20 steps / fmax 0.1)
steps200
seq len16,384
precisionbf16
trainerprime-rl

Trained on 8×A100-40GB.

Known training caveat

Steps ~150–200 ran with 9–15% of each batch clipped at the trainer's 16,384-token window, so those episodes' endings — including the submit turn — contributed no gradient. This checkpoint is released as-is because the held-out evaluation above shows it is not inflated: independent judges match or exceed the reward judge on every track. A truncation-clean redo of the final 50 steps was trained separately and scored lower (13.5 / 12.5 / 10.8%), so the clipping does not appear to have produced a falsely strong model.

Important: thinking channel

Reasoning lives in the native thinking channel, preserved across tool calls. Do not sample with enable_thinking=false — it disables the behavior this model was trained to use.

Serving

Includes preprocessor_config.json / video_preprocessor_config.json — vLLM requires them for this VL-capable model class even for text-only serving.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
d1dc91a

0 моделей