/ Модель

Характеристики

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

qwen3.5-4b-8k-grpo-overlong-penalty-awareshrimp-s300

Изображение и текст → текст3 профессии

Дообученная Qwen3.5-4B для математических рассуждений с ограничением генерации в 8 192 токена.

27скачиваний за 30 дней0лайковвеса обновлены23 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 «Изображение → 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

Это экспериментальная дообученная модель Qwen3.5-4B из анонимной заявки на ICLR 2027. Её обучали методом GRPO с мягким штрафом DAPO за чрезмерно длинный ответ: штраф линейно возрастает на последних 512 токенах перед лимитом генерации. Модель предназначена прежде всего для математических рассуждений с бюджетом генерации 8 192 токена и форматом ответа в тегах \boxed{}.

Модель основана на плотной мультимодальной архитектуре Qwen3.5 с 4 млрд параметров и поддерживает диалог и понимание изображений; в метаданных для неё указан тег image-text-to-text. Для запуска автор приводит пример с vLLM. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Чекпойнт соответствует шагу обучения 300; README не приводит результатов оценки качества, поэтому эффективность рассуждений и устойчивость соблюдения бюджета по этим сведениям оценить нельзя.

Сценарии применения

  • Пошаговое решение математических задач
  • Формирование ответа к задаче в тегах \boxed{}
  • Эксперименты с математическим рассуждением при ограниченном бюджете генерации

Ограничения

Чекпойнт относится к шагу обучения 300, а README не сообщает результатов оценки качества. Настройка рассчитана на генерацию до 8 192 новых токенов; фактическое соблюдение лимита и качество ответов не подтверждены приведёнными данными.

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 · 8k-token budget · grpo-overlong-penalty · awareshrimp

RL-finetuned Qwen/Qwen3.5-4B trained for math reasoning under a 8,192-token generation budget. Released as part of an anonymous ICLR 2027 submission.

Run ID (petname): awareshrimp · checkpoint step 300

Training

Base modelQwen/Qwen3.5-4B
AlgorithmGRPO with the DAPO soft overlong penalty: reward is linearly penalized (up to -1.0) over the last 512 tokens before the budget.
Generation budget (max_new_tokens)8,192
DataDeepScaleR (math), 3 epochs max
Batch32 prompts × 8 rollouts per step
OptimizerAdam, cosine LR schedule, peak LR 5e-7, 10 warmup steps
Steps300
Rewardbinary answer correctness (\boxed{} extraction)
Weights dtypeBF16

Training prompt (user turn, rendered with the base model's chat template):

Think step-by-step to solve the following problem. Output your answer inside of \\boxed{} tags.:
{problem}

Let's think step-by-step

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "budget-internalization-iclr2027/qwen3.5-4b-8k-grpo-overlong-penalty-awareshrimp-s300"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, torch_dtype="auto", device_map="auto")

With vLLM: vllm serve budget-internalization-iclr2027/qwen3.5-4b-8k-grpo-overlong-penalty-awareshrimp-s300

License

Inherits the license of the base model (Qwen/Qwen3.5-4B).

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
5d40014

0 моделей