/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
18,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-9B-MatRL-MT-SFT
Библиотека
transformers
Опубликована
10 сен 2026

Qwen3.5-9B-MatRL-MT-RL

Генерация текстаТекст → текст3 профессии

Дообученная Qwen3.5-9B для многошагового агентного обратного проектирования кристаллических структур с оценкой кандидатов ML-потенциалом.

25скачиваний за 30 дней0лайковвеса обновлены10 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

Qwen3.5-9B-MatRL-MT-RL — дообученная на базе amayuelas/Qwen3.5-9B-MatRL-MT-SFT модель от автора репозитория для обратного проектирования кристаллических структур. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration; веса сохранены в bf16. Модель ведёт многошаговый цикл работы с инструментами: предлагает структуры-кандидаты, оценивает их с помощью межатомного потенциала машинного обучения, уточняет и отправляет результат. Обучение GRPO рассчитано на эпизоды до 10 ходов с оценками кандидатов; награда учитывает корректность, новизну, термодинамическую стабильность и целевые свойства.

Модель предназначена для агентных сценариев в материаловедении, где требуется искать кристаллические структуры по заданным требованиям. Она поддерживает чат и интерфейс работы с инструментами; карточка указывает совместимость с мультимодальной архитектурой Qwen3.5, но описанный сценарий сосредоточен на проектировании структур. Лицензия — Apache-2.0.

Качество на бенчмарке SUN ещё не оценивалось: приведён только рост обучающей награды, рассчитанной судьёй, на котором оптимизировали политику. Во время обучения часть эпизодов обрезалась из-за ограничения контекста, а некоторые запросы для оценки ширины запрещённой зоны завершались сбоем сервера. Результаты обучающей награды сами по себе не подтверждают обобщение на независимые оценки.

Сценарии применения

  • генерация кандидатов кристаллических структур под целевые свойства
  • итеративное уточнение структуры с помощью инструментов оценки
  • поиск стабильных и новых кристаллических материалов
  • агентное решение задач обратного проектирования в материаловедении

Ограничения

Модель ещё не оценена на бенчмарке SUN, а рост обучающей награды не подтверждает качество на независимых оценках. В ходе обучения часть эпизодов обрезалась по длине контекста, а некоторые запросы для оценки ширины запрещённой зоны завершались ошибкой сервера.

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

Qwen3.5-9B — MatRL multi-turn RL

Multi-turn RL on top of amayuelas/Qwen3.5-9B-MatRL-MT-SFT, for crystal-structure inverse design. The agent proposes candidate structures, evaluates them against a machine-learning interatomic potential, refines, and submits. Rewards cover validity, novelty, thermodynamic stability and property targets.

This is the model-scale arm of amayuelas/Qwen3.5-4B-MatRL-MT-RL, with the same task definitions, reward and batch shape.

Evaluation

This checkpoint has not yet been scored on the SUN benchmark used for the 4B release. That benchmark uses 800 rollouts per track, the equflashv2 reward judge, and the held-out orb-mpa / eqv3 judges. The only evidence of improvement so far is training reward, which comes from the judge the policy was optimized against. Mean training reward rose from 2.95 (steps 30–49) to 3.39 (steps 160–199).

Training

initamayuelas/Qwen3.5-9B-MatRL-MT-SFT
algorithmGRPO-style multi-turn RL, 10 turns / 8 evaluations per episode
batch128 rollouts per step, 16 per prompt; zero-advantage groups filtered
samplingtemperature 1.15, ≤2,048 tokens per turn
rewardSUN-marginal ×1.0 (validity, novelty, relaxed stability: equflashv2 MLIP, 20 steps / fmax 0.1), group diversity ×1.5, band-gap target ×0.5, bulk-modulus target ×0.5
task mixincludes 20% formula-conditioned, 10% unconditional, 10% band-gap-target, 10% bulk-modulus-target prompts
steps200
optimizerlr 1e-6, fp32 optimization and gradient reduction
seq len24,576 (steps 0–159), 32,768 (steps 160–199)
trainerprime-rl

Trained on 8×A100-40GB: 4 GPUs for the trainer (FSDP + context parallel cp=2, ulysses), 3 for vLLM inference, and 1 for the reward models.

The optimizer runs in fp32 because bf16 does not work at this learning rate. At lr 1e-6 each Adam update is smaller than the spacing between adjacent bf16 values and rounds away. An earlier 200-step attempt in bf16 finished identical to its init, with no errors.

Training caveats

  • Seven segments with weights-only restarts. The 200 steps ran as 0–30, 30–50, 50–60, 60–70, 70–90, 90–160 and 160–200. Segments ended on an env-worker death, a vLLM timeout, and three host OOMs, later traced to an unbounded cache in the environment workers. This model class cannot resume from a DCP checkpoint because there is no optimizer state for the vision tower. Each segment therefore restarted from the previous weights with a fresh Adam state.
  • Truncation. At 24,576 tokens, the share of episodes clipped at the trainer window climbed from 1.6% to 38%. The final 40 steps were re-run from step 160, the last low-truncation checkpoint (7.8%), at 32,768 tokens. Truncation there averaged 14.7% and peaked at 26.6%. A clipped episode's ending, including the submit turn, contributes no gradient.
  • Reward components. Unlike the 4B release, whose bulk-modulus reward never computed, every component here was live. Before each launch, a preflight ran a real relaxation, a real band-gap prediction and the elastic-fit import. Over the last two segments, roughly 100 band-gap requests failed with transient server disconnects and scored no band-gap term.

Precision

Tensors are stored in bf16, and config.json declares bfloat16. The trainer writes its fp32 optimization dtype into the config, and that value was corrected for this upload so that dtype="auto" and vLLM do not load the model at twice the memory.

Important: thinking channel

Reasoning lives in the native thinking channel, preserved across tool calls. Do not sample with enable_thinking=false, which turns off 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
d579ae4

0 моделей