/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
7,6 млрд
Размер весов
32,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-8B
Библиотека
transformers
Опубликована
5 окт 2026

qwen3-8b-sft-261001-bigmath-sol-fsdp-0-epoch-4

Генерация текстаТекст → текст

Дообученная Qwen3-8B для генерации ключевых слов и смысловых описаний математических задач по их тексту.

341скачиваний за 30 дней0лайковвеса обновлены5 окт 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

Модель devpotatopotato/qwen3-8b-sft-261001-bigmath-sol-fsdp-0-epoch-4 — контрольная точка Qwen3-8B после полного supervised fine-tuning для генерации математических ключевых слов и смысловых описаний задач. Разработчик дообучил модель на наборе devpotatopotato/math-keyword-training; репозиторий содержит веса, конфигурацию и токенизатор для инференса. Это плотная авторегрессионная языковая модель на 7,6 млрд параметров с контекстом до 40 960 токенов, рассчитанная на диалоговый режим.

Модель предназначена для извлечения ключевых слов и формулирования смысла математических задач по их тексту. README рекомендует использовать шаблон чата токенизатора с отключённым режимом рассуждений. Базовая модель поддерживает несколько языков, однако карточка не уточняет языки, представленные в данных дообучения, поэтому пригодность именно этой версии для конкретного языка следует проверять отдельно.

Модель распространяется под лицензией Apache 2.0. Она специализирована на генерации математических ключевых слов и смысловых формулировок; карточка не приводит оценок качества или результатов сравнительных тестов, поэтому не следует считать её универсальным решателем математических задач.

Сценарии применения

  • извлечение ключевых слов из условия математической задачи
  • генерация краткого смыслового описания математической задачи
  • подготовка тегов для каталога математических задач

Ограничения

Карточка не приводит количественных оценок качества и не уточняет языки обучающих примеров. Модель специализирована на ключевых словах и смысле задач, поэтому её качество в иных математических сценариях не установлено.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

qwen3-8b-sft-261001-bigmath-sol-fsdp-0-epoch-4

Qwen3-8B after full-parameter supervised fine-tuning for mathematical keyword and meaning generation.

This is the exact saved epoch 4 checkpoint at optimizer step 2976. The repository contains the model weights, configuration, and tokenizer files for inference.

Training dataset: devpotatopotato/math-keyword-training, keyword-261001-bigmath-gpt-6-sol.jsonl.

Use the tokenizer chat template with enable_thinking=False. Pass the following template as a user message and replace {problem} with the problem text:

Read the problem and identify the most important idea for solving it. Express the idea as a keyword or short phrase, and explain its meaning in detail.

Requirements:
- Return the single most useful keyword and its corresponding meaning.
- Choose concrete, specific insights, methods, reductions, constructions, or theorems that guide the best solution path. Avoid vague or broad terms.
- The keyword must contain one to five short words. Prefer fewer words.
- Make the meaning as detailed and comprehensive as possible. Define the keyword, describe its relevant properties, and clarify why it is useful. The meaning must stand on its own, without referring to the specific problem or including any solution steps, attempts, or problem-specific applications.
- Do not include a separate final answer, a reasoning trace, Markdown, or any text outside the required tags. 
- Follow the output format:
"""
<keyword>keyword</keyword>
<meaning>meaning</meaning>
"""

Problem:
{problem}

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
a41a11b

0 моделей