/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,7 млрд
Размер весов
8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B-Base
Библиотека
transformers
Опубликована
7 сен 2026

Qwen3-4B-Base-GRPO-MATH-ck300

Генерация текстаТекст → текст3 профессии

Экспериментальная дообученная Qwen3-4B генерирует пошаговые решения математических задач с ответом в формате \boxed{} по заданному текстовому шаблону.

165скачиваний за 30 дней0лайковвеса обновлены7 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

Qwen3-4B-Base-GRPO-MATH-ck300 — экспериментальный чекпойнт модели Qwen3-4B-Base, созданный автором amildravid4292. Модель дообучена методом GRPO с проверяемой наградой за правильность ответа на 7 393 задачах из обучающей части MATH; LoRA ранга 64 объединена с базовыми весами. В репозитории указаны архитектура Qwen3 с плотной causal language model на 3,7 млрд параметров и контекст 32 768 токенов.

Модель предназначена для генерации пошаговых решений математических задач по шаблону с просьбой заключить итоговый ответ в \boxed{}. README приводит результаты на отложенном MATH-500: pass@1 0,767 при описанном протоколе оценки; на AIME 2025 указаны pass@1 0,114 и pass@32 0,333. Это результаты конкретных оценочных наборов и настроек, а не гарантия качества на иных задачах. Модель следует оценивать как обычный текстовый ввод без chat template.

Репозиторий содержит веса safetensors для Transformers. Лицензия — Apache-2.0. В README не заявлена поддержка иных языков или специализированных задач помимо математического решения.

Сценарии применения

  • пошаговое решение задач из математических конкурсов
  • генерация ответов на задачи набора MATH
  • оценка качества математических рассуждений по правильности итогового ответа

Ограничения

Результаты приведены только для указанных тестов и параметров генерации; качество на других задачах не установлено. Модель рассчитана на raw-text prompt с форматом ответа \boxed{} и не предназначена для использования с chat template.

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

Qwen3-4B-Base + GRPO on MATH (boxed prompt), checkpoint 300

Qwen/Qwen3-4B-Base after 300 steps of GRPO (RL with a verifiable correctness reward) on the MATH training split, with a rank-64 LoRA merged into the base weights. Plain HF model directory; no chat template is needed or intended -- evaluate it as raw text under the boxed prompt.

Recipe

promptProblem: {q}\nPlease reason step by step, and put your final answer within \boxed{}.\nSolution:
dataMATH train, 7,393 problems (MATH-500 excluded), no difficulty filtering
rewardbinary correctness of the last \boxed{} (math-verify); truncated rollouts get no reward and no gradient
algorithmGRPO, 32 prompts x 16 rollouts per step, T=1.0, no KL, unnormalised advantages, on-policy (1 iteration), DAPO-style token-level loss
lr / steps1e-5 constant, 300 steps (153,600 rollouts)
adapterLoRA r=64, alpha=128, on q/k/v/o/gate/up/down projections, merged here into bf16
cap4,096 completion tokens during training
stackTRL 1.10, vLLM 0.26, transformers 5.15, PEFT 0.20; 8 x A100 80 GB

Note: the trainer held the frozen base in fp32 during training (TRL's default); the merge adds the LoRA delta to the bf16 base weights.

Held-out MATH-500 (500 problems x 8 rollouts, T=0.6, top_p 0.95, 8,192-token cap, boxed prompt)

step300 (this model)
pass@10.767

At step 300: commit 0.955, P(correct | committed) 0.803, pass@8 0.904. The base model with a typed opening in the same harness: " To determine" 0.707, " Alright," 0.799. AIME 2025 (30 x 32, 16,384-token cap), this model, no prefix: pass@1 0.114, pass@32 0.333.

During training the share of rollouts opening with To rose from 23% to 57%; Alright-type openings from 0.2% to 1.6%. Every rollout of the run (text, reward, opener) was logged.

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
aa229e0

0 моделей