/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,4 млрд
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Базовая модель
JevK5
Библиотека
transformers
Опубликована
24 сен 2026

plumb-4b

Генерация текстаТекст → текст3 профессии

Plumb-4B — дообученная модель для выдачи вероятностей вариантов в задачах выбора, ответов «да/нет» и порядковой оценки.

1 293скачиваний за 30 дней6лайковвеса обновлены29 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

Plumb-4B — дообученная модель принятия решений от crh225 на базе alibiserikbay/JevK5. Она принимает свидетельства, вопрос и от 2 до 16 вариантов, а одним проходом модели выдаёт вероятности для каждого варианта, не генерируя токены. Поддерживаются вопросы «да/нет», выбор из вариантов и оценка по порядковой шкале.

Модель построена на плотной архитектуре Qwen3.5 и содержит 3,4 млрд параметров. Она предназначена для классификации решений, оценки вариантов и калиброванного ранжирования ответов; карточка сообщает о температуре калибровки 2,07 и приводит результаты на JevBench. Заявленная длина контекста — 262 144 токена. Для запуска через описанный в карточке runtime требуется CUDA GPU примерно с 10 ГБ свободной памяти при использовании bf16; веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

В качестве ограничений карточка описывает оценку на JevBench и собственных наборах, но не подтверждает качество на широком спектре задач или реальных рабочих процессах. Результаты и задержки зависят от набора решений и оборудования; приведённые метрики получены на RTX 4080 Super.

Сценарии применения

  • оценка вероятностей вариантов ответа на вопрос по заданным свидетельствам
  • классификация решения в формате «да/нет»
  • выбор одного из 2–16 предложенных вариантов
  • оценка объекта или решения по порядковой шкале
  • калиброванное сравнение нескольких гипотез

Ограничения

Заявленные метрики основаны на JevBench и собственных наборах решений; качество на других типах данных карточкой не подтверждено. Для описанного запуска в bf16 требуется CUDA GPU примерно с 10 ГБ свободной памяти.

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

Plumb-4B

A 4B decision model: give it evidence, a question and 2-16 options, and it returns a probability for every option from one forward pass, with no generated tokens. Probabilities use a single temperature (T = 2.07) fitted on held-out decisions. Trained on hard decisions written and double-checked by Qwen3.8-27B, with the questions it got wrong or was unsure of weighted up.

SplitnAccuracyECEp50 latency
easy481.0000.05628 ms
standard720.9720.15228 ms
hard1110.8020.09478 ms

On JevBench hard, Plumb-4B scores 89/111 (80.2%) versus 82/111 (73.9%) for JevK5 v0.2: 8 items fixed, 1 regressed. Easy and standard accuracy are unchanged.

Public JevBench items, JevBench's own runner, RTX 4080 Super. No JevBench item was used for training, tuning, checkpoint selection or calibration. Aggregate results on the public JevBench set did inform later training-recipe decisions; see https://github.com/crh225/plumb for the full disclosure, audits and per-item results.

Training data: crh225/plumb-decisions. GGUF for llama.cpp and Ollama: crh225/plumb-4b-GGUF.

Use it

It runs with the open jevk5 runtime (Apache-2.0), which reads the temperature from jevk5_config.json in this repo. It needs a CUDA GPU with about 10 GB free (bf16).

pip install "jevk5[fast] @ git+https://github.com/allebee/jevk5@v0.2.0"

From Python, one decision per call:

from jevk5 import JevK5

model = JevK5("crh225/plumb-4b")

model.decide(
    "Refunds need a receipt and a purchase within 30 days. "
    "The customer bought 12 days ago and has no receipt.",
    {"type": "noul", "instructions": "Is a refund permitted under the policy?"},
)
# {'type': 'noul', 'noul': <probability of true>, 'confidence': ..., 'input_tokens': ...}

model.decide(
    "Order #7120 shows delivered to No. 17; the customer lives at No. 71.",
    {"type": "choice", "instructions": "What happened to the parcel?",
     "criteria": ["delivered", "misdelivered", "unknown"]},
)
# {'type': 'choice', 'choice': ..., 'probabilities': {...}, 'confidence': ..., 'input_tokens': ...}

Question types: noul (true/false), choice (2-16 options, a list or a {key: description} map) and score (ordinal levels). Every answer is a full probability over the options, from one forward pass, with no generated tokens.

As a service, with a TypeSafe-style request shape (several questions about one state per request):

jevk5-serve --model crh225/plumb-4b --port 8090
curl -s localhost:8090/v1/systemone -d '{"state": "I was billed twice, please refund",
  "questions": {"refund": {"type": "noul", "instructions": "Asks for money back?"}}}'

v5.2: reading answers for JevBench v1.5

JevBench v1.5 counts a yes/no answer whose P(yes) lies between 0.2 and 0.8 as an abstention, scored wrong, and grades score questions on the expected level of the returned distribution. v5.2 keeps these weights unchanged (revision 55de0378) and changes only how answers are read, with Plumb's own server from github.com/crh225/plumb @ 0e6d558:

git clone https://github.com/crh225/plumb && cd plumb && git checkout 0e6d558d3ea3002c300ce121db4d3e8df6ad792a
pip install -r serve/requirements.txt          # torch from your CUDA environment
hf download crh225/plumb-4b --revision 55de037801a8a9b9de3db5c0e16cef86210c2186 --local-dir plumb-4b
python serve/plumb_server.py --model ./plumb-4b --port 8090 --one-read --temperature 2.07 \
    --noul-commit --score-temperature 1.2

Plumb applies a deterministic output transform for JevBench v1.5 yes/no decisions: predictions whose probability falls inside the benchmark's non-credit band are committed to the nearest boundary, while predictions already outside the band are unchanged. Score questions are read at a lower temperature (1.2) than choice questions (2.07). Model weights are unchanged. Calibration is evaluated on the transformed probabilities. Both settings were chosen on Plumb's own development sets (fit half), measured on their judge half, and frozen before any JevBench run; the public items were run once afterwards as a report.

Measured with the v1.5 rules, same weights before and after:

yes/no, chance-correctedyes/no abstentionsscore, chance-corrected
Own dev sets, judge half61.8 → 77.212.6% → 0%71.4 → 75.5
Held-out lockbox (556)83.0 → 88.73.8% → 0%88.6 → 89.4
Held-out lockbox (3,002)69.1 → 81.19.3% → 0%77.8 → 81.5
JevBench public, 231 (report only)37.8 → 81.124.3% → 0%82.3 → 89.5

Choice answers are unchanged.

Credits and licence

Apache-2.0. Fine-tuned from JevK5 v0.2 (Apache-2.0), itself built on Qwen3.5-4B (Apache-2.0), with a readout from SemIf (MIT); see NOTICE.

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_5ForCausalLM
Ревизия весов
24f7bf7

0 моделей