Характеристики

Контекст: 32 768 токенов
Параметры: 7,6 млрд
Размер весов: 16,4 ГБ
Лицензия: Своя лицензия
Архитектура: qwen3 · dense
Базовая модель: Qwen3-8B-Base
Опубликована: 9 июл 2026

Ссылки

qwen3-8b-code-pkpo

Генерация текстаТекст → текст

Экспериментальная модель Qwen3-8B, дообученная для агентного решения задач программирования с использованием инструментов.

7скачиваний за 30 дней0лайковвеса обновлены9 июл 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

bk1dr/qwen3-8b-code-pkpo — экспериментальная производная Qwen/Qwen3-8B-Base, дообученная для агентного решения задач программирования. Это плотная авторегрессионная модель Qwen3ForCausalLM с 7,6 млрд параметров и контекстом до 32 768 токенов; веса представлены в safetensors. Модель обучали на отфильтрованных задачах из набора code_contests с бинарной наградой за прохождение скрытых тестов и использованием текстового протокола вызова инструментов.

Модель предназначена для генерации кода и решения задач по программированию через агентный сценарий с инструментами. В описанной оценке на подмножестве LiveCodeBench результат pass@1 снизился с 0,1111 у базовой модели до 0,0556 после обучения, поэтому авторы характеризуют запуск как небольшой воспроизводимый эксперимент, а не модель для соревнований. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

Сценарии применения

генерация решений для задач программирования
агентное решение задач с вызовом текстовых инструментов
эксперименты с обучением кодовых моделей на награде за прохождение тестов

Ограничения

В небольшой оценке на подмножестве LiveCodeBench pass@1 после обучения оказался ниже базового результата. Эксперимент использовал только старые задачи формата stdin/stdout из обучающего набора, а конкретные условия лицензии не приведены.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-8B Code PKPO

This repo contains a Qwen/Qwen3-8B-Base derivative trained for a small agentic coding experiment using the shared tool path in agent_core.py and shipped_tool.py.

Method

Base: Qwen/Qwen3-8B-Base.
Prompt/template: custom <think>...</think><answer>...</answer> template saved in the tokenizer. The generation prompt ends with Assistant: <think>.
Tool protocol: no system role; instructions are merged into the first user message; strict user/assistant alternation; plain-text Tool type and Tool query calls.
Training data: deepmind/code_contests train split only, filtered to old stdin/stdout problems. The LiveCodeBench eval subset is not used for training.
Reward: binary hidden-test pass/fail.
PKPO: sloo_minus_one from the paper for k >= 2; centered k=1 rewards for the first and final stages. No GRPO-style reward normalization is applied.
Schedule actually run: [1, 8, 1] (shipped: stage1_group3).

The run was intentionally small to fit the free-credit budget and deadline. Results should be treated as a reproducible experiment, not a leaderboard model.

Results

Evaluation uses livecodebench/code_generation_lite v6, a fixed subset saved at eval/eval_subset.json, temperature 1.0, and the same one-turn tool path used for training.

model	pass@1 estimate
base before training	0.1111
final merged model	0.0556

Raw files:

eval/baseline_results.json
eval/final_results.json
eval/eval_subset.json

Usage

Serve with vLLM:

vllm serve bk1dr/qwen3-8b-code-pkpo --trust-remote-code --max-model-len 8192

Run the shipped tool:

python shipped_tool.py --base-url http://127.0.0.1:8000/v1 --model bk1dr/qwen3-8b-code-pkpo --max-turns 1 --cp < problem.txt

Run Notes

Run pkpo_20260709T184830Z: full PKPO schedule k=1->8->1 with a LoRA checkpoint after every group. The shipped weights are checkpoint 'stage1_group3', selected by validation on the fixed eval subset (per-checkpoint pass@1: {"after_sft": 0.027777777777777776, "stage1_group3": 0.05555555555555555, "stage2_group1": 0.027777777777777776}). The full-schedule endpoint regressed on the subset (see eval/full_schedule_endpoint_results.json); intermediate checkpoint selection is part of the documented training procedure. Selection+merge elapsed 13.3 min on one H100.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры: Qwen3ForCausalLM
Ревизия весов: a4c4924