/ Модель

Характеристики

Контекст
262 144 токена
Параметры
1,7 млрд
Лицензия
Своя лицензия
Архитектура
qwen3_5_text · dense
Базовая модель
Qwen3.5-2B
Библиотека
transformers
Опубликована
12 сен 2026

QwenGrad-DPO

Генерация текстаТекст → текст3 профессии

Исследовательская DPO-версия Qwen3.5-2B для изучения генерации диалога и калибровки поведения при использовании инструментов.

151скачиваний за 30 дней0лайковвеса обновлены12 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

QwenGrad-DPO — исследовательский чекпойнт, опубликованный Experimental Machines. Это дообученная методом Direct Preference Optimization (DPO) текстовая причинно-языковая модель семейства Qwen3.5 с 1,7 млрд параметров. В качестве исходной модели указана Qwen/Qwen3.5-2B; чекпойнт выбран из эксперимента по калибровке поведения при использовании инструментов.

Модель предназначена для исследований генерации диалоговых ответов и поведения при выборе вызова инструмента или ответа без вызова. Она доступна в формате Transformers и рассчитана на контекст до 262 144 токенов. Внутренняя оценка подтвердила прохождение заданной политики продвижения по ряду метрик вызова инструментов, однако использовала внутреннюю выборку, а не независимый внешний тест.

Модель не настроена на безопасность или выравнивание и не предназначена для автономного использования инструментов. Оценка не охватывает точность выбора инструмента и корректность его аргументов и схем, поэтому эти свойства не подтверждены. Лицензия в метаданных обозначена как other; README указывает, что продолжают действовать лицензия и условия базовой модели.

Сценарии применения

  • исследование решения, когда вызывать инструмент в диалоге
  • эксперименты с генерацией ответов без вызова инструмента
  • оценка точности и полноты вызовов инструментов на внутренних наборах
  • сравнение калибровки поведения DPO-чекпойнтов

Ограничения

Модель не настроена на безопасность и не предназначена для автономного использования инструментов. В описанной оценке не проверялись точность выбора инструмента, корректность аргументов и схем, а подтверждающая выборка была внутренней, а не внешней.

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

QwenGrad-DPO — M1 DPO calibration on selected M0-final-v2

Direct Preference Optimization applied to the healthy selected M0-final-v2 checkpoint of the OpenGrad tool-use study — not to the base model, and not to a historical DPO checkpoint.

Research artifact, not a production model.

This repository is published by Experimental Machines. It contains the promoted dpo-checkpoint-30 at the repository root, in standard transformers layout.

Original releasearrochi112/OpenGrad-Qwen3.5-2B-M1-DPO-CanonicalV2-Final-v2 at revision f33d20308982f37deb459076f489e794d5521ee3 (also holds checkpoints 60/90/120)
Base modelQwen/Qwen3.5-2B at revision 15852e8c16360a2fea060d615a32b45270f8a8fc
Selectioncheckpoint 30 of 120, frozen DEV balanced selector
PromotionPROMOTED under the prospective tool_use_promotion_v4 policy

Results (pre-registered internal confirmatory partition, 1,277 examples)

QwenGrad-DPO confirmatory metrics: M0-final-v2 @1800 versus M1-v2 @30

The chart reports the exact values for call_f1, precision, recall, over_call, clarification, and unsupported. Higher is better for every metric except over_call.

M1 preserves the M0 calibrated frontier and makes a small improvement in call F1 and recall. It does not materially reduce over-calling; this is calibration retention and slight improvement, not a large frontier movement.

Evaluation and promotion

Checkpoint selection used the frozen DEV partition (2,373 examples, fingerprint 88a56821…). Checkpoints 30/60 were within the pre-registered 0.01 macro tolerance, so the earlier checkpoint 30 was selected. The confirmatory partition (fingerprint d6d1e394…) was then scored exactly once on checkpoint 30.

The prospective tool_use_promotion_v4 policy passed: precision, recall, and macro floors; over-call ceiling; clarification and unsupported floors; parse validity; and M0-relative regression checks. Checkpoint 30 is PROMOTED. This policy does not compare recall to B0's degenerate always-call recall.

The confirmatory partition is pre-registered internal evidence, not an untouched external test. The evaluation population has no ANSWER examples, so no_call_accuracy is NA. Tool-selection accuracy, argument validity, and schema validity are not computed by the current evaluator and are not treated as satisfied.

Frozen lineage

  • Parent experiment: m0_sft_canonical_v2_final
  • Parent checkpoint: checkpoint-1800
  • Parent model hash: 7144579aeecec8b4de25f193ab63085efdf8d9d76b85ed915352291b0152277a
  • Preference dataset: 481 local calibration pairs, hash d39168948d09fc3c355cd83f9f0857f310086322b0968fd2e7d78125150faef4 (m1_calibration_preference_pairs_v1)
  • DPO: beta 0.05, learning rate 5e-7, cosine schedule, 120 steps, seed 42, bfloat16
  • Training commit: bb15c7e0181c7f526875cd1426672431ae14bd83

The preference set combines deterministic base/M0 disagreements on Canonical-v2 training prompts with a bounded curated When2Call training slice. Frozen behavioral evaluation IDs were excluded; no paid external API was used. All pair origins and input hashes are recorded in the OpenGrad repository.

Intended use

Research artifact. Not safety-tuned, not aligned, and not intended for autonomous tool use. It inherits the limitations of its public training sources and of its evaluator's unmeasured dimensions. The base model's own license and terms continue to apply to these weights.

Provenance

The model card text above mirrors the original OpenGrad release card for this checkpoint; only the repository-level framing (mirror, Experimental Machines) has been added. The evidence behind every number is in the OpenGrad repository:

Published by Experimental Machines.

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
ceda8f3

0 моделей