/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,7 млрд
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B-Critic-SFT
Библиотека
transformers
Опубликована
27 авг 2026

Qwen3-4B-SFT-DPO-4B-1409i-beta0.15-sft0.3-lr1e-6-bs32-ep3-step-120

Генерация текстаТекст → текст3 профессии

Экспериментальный чекпойнт Qwen3, дообученный для генерации критических замечаний по действиям кодового агента.

92скачиваний 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

Qwen3-4B-SFT-DPO-4B-1409i-beta0.15-sft0.3-lr1e-6-bs32-ep3-step-120 — экспериментальный чекпойнт критика кодовых агентов, созданный командой code-critic-model на основе Qwen3-4B-Critic-SFT. Это плотная причинная языковая модель Qwen3 с 3,7 млрд параметров, предназначенная для генерации замечаний по ходу работы кодового агента. Модель дообучена методом DPO; в README указаны параметры запуска: beta 0,15, вес SFT 0,3, скорость обучения 1e-6, эффективный размер пакета 32 и 120 шагов.

Контрольная точность на отложенных предпочтениях составила 0,65 на шаге 120; для статьи выбрали чекпойнт шага 80 с результатом 0,68. Этот чекпойнт в статье не использовался и опубликован для сохранения существующих ссылок. Доступны веса Safetensors, библиотека Transformers и контекст до 262 144 токенов. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация обратной связи для кодового агента
  • поиск ошибок в ходе выполнения задач программирования
  • подсказки агенту для исправления ошибок и завершения задачи

Ограничения

Чекпойнт не использовался в статье; выбранный для публикации чекпойнт шага 80 показал более высокую точность на отложенных предпочтениях (0,68 против 0,65). Лицензия в предоставленных данных не указана.

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

Not used in the paper. This is a development checkpoint kept so that existing links keep working. The critics reported in Steer, Don't Solve are listed on the organization page; the released DPO critic is Qwen3-4B-Critic-SFT-DPO.

Qwen3-4B-SFT-DPO-4B-1409i-beta0.15-sft0.3-lr1e-6-bs32-ep3-step-120

Final checkpoint (step 120, end of epoch 3) of the DPO run whose step-80 checkpoint was released as Qwen3-4B-Critic-SFT-DPO. Same initialization, data, and hyperparameters (beta 0.15, SFT weight 0.3, lr 1e-6, effective batch 32); only the number of steps differs. Held-out preference accuracy at step 120 was 0.65 versus 0.68 at step 80, and the step-80 checkpoint was selected for the paper.

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
eb189f8

0 моделей